KR20200126793A - 동영상 학습 환경에서 학습자의 사전지식 및 과제복합성에 따른 인지부하 진단 장치 및 방법 - Google Patents

Abstract

동영상 학습 환경에서 학습자의 사전지식 및 과제복합성에 따른 인지부하 진단 장치 및 방법이 개시된다. 인지부하 진단 방법은 학습 콘텐츠에 대한 학습자의 사전 지식 수준 및 상기 학습 콘텐츠의 과제복합성을 평가하는 단계; 상기 학습 콘텐츠를 학습하기 전 발생된 상기 학습자의 생리심리반응에 대한 기저반응을 측정하는 단계; 상기 학습 콘텐츠를 학습하는 과정에서 발생된 상기 학습자의 생리심리반응을 수집하는 단계; 상기 평가된 학습자의 사전 지식 수준 및 학습 콘텐츠의 과제 복합성에 기초하여 상기 수집된 학습자의 생리심리반응에 대한 시계열적인 특성을 분석함으로써 상기 학습자의 인지부하를 진단하는 단계를 포함할 수 있다.

Description

동영상 학습 환경에서 학습자의 사전지식 및 과제복합성에 따른 인지부하 진단 장치 및 방법{METHOD AND APPRATUS TO MEASURE COGNITIVE LOAD BASED ON A TIME-SERIES ANALYSIS OF PSYCHOPHYSIOLOGICAL RESPONSES IN VIDEO-BASED LEARNING}

본 발명은 동영상 학습 환경에서 수집된 학습자의 생리심리반응을 시계열 분석 기법을 활용하여 분석하여 학습자의 인지부하를 진단하고, 이를 기반으로 학습자에게 적절한 처방을 제공하기 위한 장치 및 방법에 관한 것이다.

초기 데스크탑과 네트워크를 통해 이러닝의 형태로 확산되었던 동영상 학습은 모바일 기기의 보급과 대규모 온라인 공개강좌(Massive Open Online Courses: MOOCs), 플립 러닝(Flipped Learning) 등 새로운 학습 환경이 출현하면서 더욱 빠르게 확산되고 있다. 동영상은 시청각 자극을 활용한 멀티미디어 콘텐츠로서, 교수자와 학습자가 물리적으로 분리된 공간에서도 '언제 어디서나' 학습이 가능하다는 매체적 특성을 지닌다. 이는 동영상 학습 환경의 확산을 촉진한 주요 동인이지만, 역설적으로 전통적인 면대면 학습에 비해 학습자의 인지적ㅇ정서적 상태(state)를 파악하기 어렵다는 제한점을 가져왔다.

대다수의 동영상 학습 환경에서는 교수자와 학습자가 시공간적으로 분리되어 있기 때문에 개개인의 학습 과정을 즉각적으로 파악하여 콘텐츠를 설계하기 쉽지 않고, 교수자-학습자 간의 원활한 상호작용을 기대하기도 어렵다. 이로 인해 동영상 학습 환경에서는 학습자의 고유한 학습 경험을 이해하여 개별화된 지원을 제공하는 '적응적 교수설계(adaptive instructional design)'를 적용하기가 쉽지 않다. 이는 학습자 태만, 중도탈락 등의 다양한 교육적 문제 현상들로 외현화 되었으며, 결과적으로 학습자의 지식, 기술, 태도와 관련하여 학습목표 달성의 어려움을 초래하였다.

이에 따라 동영상 학습 환경에서 학습자들이 경험하는 내적 과정을 이해하기 위한 연구의 필요성이 부각되고 있다. 즉, 동영상 학습 환경을 최적화하기 위해서는, 1) 학습자의 특성(trait)과 상태(state)를 보다 세밀하게 포착하고, 이를 2) 과학적인 방법으로 분석하여, 3) 적절한 교수, 학습적 지원을 적시에(just-in-time), 적합한 방법으로 제공해야 한다.

종래의 연구에서는 학습자의 내적 과정을 파악하기 위하여 주로 사후 설문을 활용해왔다. 이는 학습자들의 주관적 생각과 느낌을 학습이 종료된 시점에서 회고적으로 측정하는 방식으로, 학습자가 전체 학습 과정에서 경험한 바에 대한 요약적이고 주관적인 정보를 얻을 수 있다. 그러나 이와 같은 사후 설문은 구체적으로 학습자가 어느 장면에서 어떠한 경험을 하였는지에 대한 풍부하고 객관적인 피드백은 얻기 어렵다. 이에 따라 그 동안의 교수설계 또한 학습자 개개인의 특성 및 학습 과정의 차이를 반영하는 적응적 방식보다는, 평균적인 학습자들의 보편적인 학습 요구를 충족시키기 위한 방식으로 이루어져 왔다.

그러나 최근에는 빅데이터 수집 및 분석 기술이 발달함에 따라 학습 맥락에서 쌓인 다양한 데이터를 활용할 수 있게 되었으며, 이를 통해 교수-학습 환경을 개선하여 학습을 최적화하기 위한 학습분석학이 중추적인 분야로 자리잡고 있다.

학습분석학적인 접근을 시도한 연구의 상당수는 주로 클릭스트림 데이터를 활용하여 이루어져 왔다. 클릭스트림 데이터는 동영상 학습 중 발생한 재생, 일시 정지 등의 행동 데이터를 뜻한다. 이러한 행동 데이터를 분석하는 기저에는 해당 데이터가 학습 상황에서의 몰입 수준이나 어려움(confusion)을 겪는 심리적 구인의 대리변수로 활용할 수 있다는 가정이 있다. 동영상 학습 환경에 남겨진 행동 데이터를 분석하는 것은 학습의 전반적인 경향을 알려주는 단서가 될 수는 있지만, 학습자의 인지적, 정서적 경험에 대해서는 제한적인 정보만을 제공한다.

최근 발달하고 있는 생리심리 데이터 수집 기술은 비간섭적이고, 연속적인 데이터 수집을 통해 학습 상황에서 학습자들이 경험한 내적 과정을 파악할 수 있는 가능성을 제공하고 있다.

본 발명은 동영상 학습 과정 중 학습자로부터 수집된 생리심리반응을 시계열 분석 기법을 활용하여 분석하는 장치 및 방법을 제공할 수 있다.

또한, 본 발명은 분석된 학습자의 생리심리반응을 학습자의 사전지식 수준 및 학습 콘텐츠의 과제복합성에 따라 해석함으로써 인지부하의 원인에 따른 적절한 처방을 제공하는 장치 및 방법을 제공할 수 있다.

본 발명의 일실시예에 따른 인지부하 진단 방법은 학습 콘텐츠에 대한 학습자의 사전 지식 수준 및 상기 학습 콘텐츠의 과제복합성을 평가하는 단계; 상기 학습 콘텐츠를 학습하기 전 발생된 상기 학습자의 생리심리반응에 대한 기저반응을 측정하는 단계; 상기 학습 콘텐츠를 학습하는 과정에서 발생된 상기 학습자의 생리심리반응을 수집하는 단계; 상기 평가된 학습자의 사전 지식 수준 및 학습 콘텐츠의 과제 복합성에 기초하여 상기 수집된 학습자의 생리심리반응에 대한 시계열적인 특성을 분석함으로써 상기 학습자의 인지부하를 진단하는 단계를 포함할 수 있다.

상기 평가하는 단계는 상기 학습 콘텐츠와 관련된 사전 지식 검사 성취도 및 학습 시스템 내에 수집된 데이터 중 상기 학습 콘텐츠에 대한 상기 학습자의 이전 성취도를 이용하여 상기 학습자의 사전 지식 수준을 평가할 수 있다.

상기 평가하는 단계는 상기 학습 콘텐츠에 포함된 학습 과제를 구성하는 요소들의 개수를 이용하여 상기 학습 콘텐츠의 분석 단위에 따라 과제복합성을 평가할 수 있다.

상기 수집하는 단계는 상기 수집된 학습자의 생리심리반응의 정상 범위에 기초하여 이상치를 제거하는 단계; 상기 이상치를 제거함으로써 발생된 상기 학습자의 생리심리반응에 포함된 결측치를 선형 보간하는 단계; 상기 선형 보간된 학습자의 생리심리반응을 시계열 데이터로 변환하는 단계; 및 상기 시계열 데이터로 변환된 학습자의 생리심리반응에 대해 데이터 스무딩(smoothing) 기법을 적용하는 단계를 포함할 수 있다.

상기 생리심리반응은 동공 크기, 뇌파 및 심박 변이도 중 적어도 하나를 포함할 수 있다.

상기 진단하는 단계는 상기 학습 콘텐츠의 내용 및 시점에 대해 상기 수집된 학습자의 생리심리반응을 매칭하는 단계; 상기 매칭된 학습자의 생리심리반응을 상기 학습 콘텐츠의 학습 단위에 따라 분할하여 특정 패턴을 추출하는 단계; 및 상기 평가된 학습자의 사전 지식 수준 및 학습 콘텐츠의 과제 복합성에 기초하여 상기 추출된 특정 패턴을 해석함으로써 상기 학습자의 인지부하를 측정하는 단계를 포함할 수 있다.

상기 진단된 학습자의 인지부하에 기초하여 상기 학습자에게 상기 학습 콘텐츠에 대한 가이드를 제공하는 단계를 더 포함할 수 있다.

본 발명의 일실시예에 따른 인지부하 진단 장치는 프로세서를 포함하고, 상기 프로세서는 학습 콘텐츠에 대한 학습자의 사전 지식 수준 및 상기 학습 콘텐츠의 과제복합성을 평가하고, 상기 학습 콘텐츠를 학습하기 전 발생된 상기 학습자의 생리심리반응에 대한 기저반응을 측정하며, 상기 학습 콘텐츠를 학습하는 과정에서 발생된 상기 학습자의 생리심리반응을 수집하고, 상기 평가된 학습자의 사전 지식 수준 및 학습 콘텐츠의 과제 복합성에 기초하여 상기 수집된 학습자의 생리심리반응에 대한 시계열적인 특성을 분석함으로써 상기 학습자의 인지부하를 진단할 수 있다.

상기 프로세서는 상기 학습 콘텐츠와 관련된 사전 지식 검사 성취도 및 학습 시스템 내에 수집된 데이터 중 상기 학습 콘텐츠에 대한 상기 학습자의 이전 성취도를 이용하여 상기 학습자의 사전 지식 수준을 평가할 수 있다.

상기 프로세서는 상기 학습 콘텐츠에 포함된 학습 과제를 구성하는 요소들의 개수를 이용하여 상기 학습 콘텐츠의 분석 단위에 따라 과제복합성을 평가할 수 있다.

상기 프로세서는 상기 수집된 학습자의 생리심리반응의 정상 범위에 기초하여 이상치를 제거하고, 상기 이상치를 제거함으로써 상기 학습자의 생리심리반응에 포함된 결측치를 선형 보간하며, 상기 선형 보간된 학습자의 생리심리반응을 시계열 데이터로 변환하고, 상기 시계열 데이터로 변환된 학습자의 생리심리반응에 대해 데이터 스무딩(smoothing) 기법을 적용할 수 있다.

상기 생리심리반응은 동공 크기, 뇌파 및 심박 변이도 중 적어도 하나를 포함할 수 있다.

상기 프로세서는 상기 학습 콘텐츠의 내용 및 시점에 대해 상기 수집된 학습자의 생리심리반응을 매칭하고, 상기 매칭된 학습자의 생리심리반응을 상기 학습 콘텐츠의 학습 단위에 따라 분할하여 특정 패턴을 추출하며, 상기 평가된 학습자의 사전 지식 수준 및 학습 콘텐츠의 과제 복합성에 기초하여 상기 추출된 특정 패턴을 해석함으로써 상기 학습자의 인지부하를 측정할 수 있다.

상기 프로세서는 상기 진단된 학습자의 인지부하에 기초하여 상기 학습자에게 상기 학습 콘텐츠에 대한 가이드를 제공할 수 있다.

본 발명은 학습 과정에서 수집한 생리심리반응에 기초하여 보다 객관적으로 인지부하를 측정할 수 있으며, 연속적으로 수집된 반응의 시계열적인 특성을 분석하여 과정 중 나타나는 인지부하의 변이를 측정할 수 있다.

또한, 본 발명은 인지부하의 변이를 학습자의 사전지식 수준과 과제복합성에 근거하여 해석함으로써 보다 명확하게 인지부하의 원인을 규명하고, 이에 따라 적절한 교수 설계적 지원을 하기 위한 근거로 삼을 수 있다.

도 1은 본 발명의 일실시예에 따른 인지부하 진단 장치를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 데이터 전처리 과정을 플로우챠트로 도시한 도면이다.
도 3은 본 발명의 일실시예에 따른 학습자의 생리심리반응에 대한 특정 패턴을 추출하는 방법을 도시한 예이다.
도 4 내지 도 5는 본 발명의 일실시예에 따른 학습 대구간에서의 인지부하 탐색을 도시한 도면이다.
도 6 내지 도 9는 본 발명의 일실시예에 따른 학습 중구간에서의 인지부하 탐색을 도시한 도면이다.
도 10 내지 도 16은 본 발명의 일실시예에 따른 학습 소구간에서의 인지부하 탐색을 도시한 도면이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

도 1은 본 발명의 일실시예에 따른 인지부하 진단 장치를 도시한 도면이다.

도 1을 참고하면, 본 발명의 인지부하 진단 장치(100)는 프로세서(110)를 포함할 수 있다. 먼저, 일례로, 인지부하 진단 장치(100)는 다양한 학습 콘텐츠에 대한 학습자의 인지부하를 진단할 수 있으나 본 발명에서는 수학 과목에서의 전칭/존재 명제(영상1)와 양항명제(영상2)를 주제로 하는 두 개의 영상을 학습 콘텐츠로 활용하였다.

프로세서(110)는 동영상 학습 환경에서 학습 콘텐츠에 대한 학습자의 사전 지식 수준 및 학습 콘텐츠의 과제복합성을 평가(111)할 수 있다. 보다 구체적으로 프로세서(110)는 학습 콘텐츠와 관련된 사전 지식 검사 성취도 및 학습 시스템 내에 수집된 데이터 중 학습 콘텐츠에 대한 학습자의 이전 성취도를 이용하여 학습자의 사전 지식 수준을 평가할 수 있다.

사전 지식 수준은 학습자의 사전 지식 수준을 파악하고자 하는 전문가가 제작한 사전 시험을 통해 결정될 수 있다. 보다 구체적으로 프로세서(110)는 (1) 각 문항 별 난이도가 고려된 사전 시험에 대한 학습자의 시험 점수를 통해 학습자의 사전 지식 수준을 구분할 수 있다.

또한, 프로세서(110)는 (2) 복수의 학습자들이 수행한 사전 시험에 대한 시험 점수의 분포에 근거하여 학습자의 사전 지식 수준을 상대적으로 구분할 수 있다.

이때, 프로세서(110)는 (1) 방식과 (2) 방식을 모두 고려하여 전문가가 부여한 난이도에 따른 사전 시험의 문항별 점수를 기준으로 각 학습자의 사전 시험 점수를 계산한 후, 이들의 분포를 기준으로 각 학습자의 사전 지식 수준을 구분할 수 있다.

그리고 프로세서(110)는 학습 콘텐츠에 포함된 학습 과제를 구성하는 요소들의 개수를 이용하여 학습 콘텐츠의 분석 단위에 따라 과제복합성을 평가할 수 있다. 일례로, 프로세서(110)는 학습 콘텐츠인 영상1과 영상2의 내용 분석을 통해 도출한 '명제 구조', '수학적 기호', '부정 개념' 세 가지 요소를 기준으로 학습 영상의 구간별 과제복합성을 분류할 수 있다.

과제복합성은 과제를 구성하는 모든 요소의 총합으로 요소의 수가 많아질수록 요소 간 상호작용성이 높아져 과제복합성이 높아질 수 있다. 따라서, 프로세서(110)는 아래의 표 1과 같이 학습 콘텐츠의 요소를 1) 명제 구조, 2) 수학적 기호, 3) 부정 개념으로 분류하여 이에 따라 영상1과 영상2 각각에 대한 과제복합성 상ㅇ하 구간을 규정할 수 있다.

<표 1>

보다 구체적으로 프로세서(110)는 학습 콘텐츠의 학습 구간 별로 과제복합성 상ㅇ하를 분류하여 해당 장면에서의 인지부하 차이를 살펴볼 수 있다. 학습 구간은 내용과 재생 시간을 고려하여 구분하였으며, 아래의 표 2와 같이 크게 세 기준(대구간, 중구간, 소구간)으로 나뉠 수 있다.

학습 대구간과 학습 중구간은 학습 콘텐츠의 내용에 따라 분류될 수 있으며, 각각 주제별 구분(영상1/영상2)과 내용별 구분(13 구간)과 일치할 수 있다. 학습 소구간은 이보다 미세한 학습 단위에 해당하는 것으로 영상1과 영상2에서 각각 재생 시간을 기준으로 30초 단위로 구분하여 생성될 수 있다.

<표 2>

한편, 프로세서(110)는 학습 콘텐츠가 "시험 문항"에 해당하는 경우, 전문가가 사전에 설정한 시험 문항의 난이도 및 시험 문항에 대한 학습자들의 반응 패턴 데이터를 활용하여 해당 학습 콘텐츠에 대한 난이도를 계산하고, 계산된 난이도를 과제복합성 평가에 이용할 수 있다.

다음으로, 프로세서(110)는 학습 콘텐츠를 학습하기 전 발생된 학습자의 생리심리반응에 대한 기저반응을 측정(112)할 수 있다. 이와 같은 기저반응은 학습자들 간 개인차에 따른 생리심리반응을 최소화하기 위한 것으로 측정된 기저반응은 이후 학습 과정 중 발생한 학습자의 생리심리반응을 표준화 하는 데 활용될 수 있다.

일례로, 기저반응은 학습자가 실험 화면과 동일한 조도로 제작된 화면 중앙에 표시된 특정 표시를 보는 동안 수집된 동공 크기 데이터의 평균으로 산출될 수 있다. 이러한 방식의 기저반응 측정 방법은 명암 및 밝기 변화가 동공 크기에 미칠 수 있는 영향을 최소화 할 수 있는 장점이 있다.

이후 프로세서(110)는 학습 콘텐츠를 학습하는 과정에서 발생된 학습자의 생리심리반응을 수집(113)할 수 있다. 이때, 수집되는 생리심리반응은 동공 크기, 뇌파 및 심박 변이도 중 적어도 하나를 포함할 수 있으며, 본 발명에서는 이 중에서 동공 크기를 이용하여 학습자의 인지부하를 진단하는 방법을 제공한다. 그러나 학습자의 인지부하를 진단하기 위하여 사용되는 생리심리반응은 동공 크기에 한정되지 않으며 다양한 생리심리반응이 사용될 수 있다. 프로세서(110)는 수집된 학습자의 생리심리반응 데이터에 대해 전처리를 수행할 수 있는데 자세한 전처리 방법은 이후의 3을 통해 설명하도록 한다.

그리고, 프로세서(110)는 평가된 학습자의 사전 지식 수준 및 학습 콘텐츠의 과제 복합성에 기초하여 수집된 학습자의 생리심리반응에 대한 시계열적인 특성을 분석함으로써 학습자의 인지부하를 진단(114)할 수 있다.

보다 구체적으로 프로세서(110)는 학습 콘텐츠의 내용 및 시점에 대해 수집된 학습자의 생리심리반응을 매칭하고, 매칭된 학습자의 생리심리반응을 학습 콘텐츠의 학습 단위에 따라 분할하여 특정 패턴을 추출할 수 있다. 그리고 프로세서(110)는 평가된 학습자의 사전 지식 수준 및 학습 콘텐츠의 과제 복합성에 기초하여 추출된 특정 패턴을 해석함으로써 학습자의 인지부하를 측정할 수 있다.

마지막으로 프로세서(110)는 진단된 학습자의 인지부하에 기초하여 학습자에게 학습 콘텐츠에 대한 가이드를 제공(115)할 수 있다. 보다 구체적으로 프로세서(110)는 진단된 학습자의 인지부하와 학습 성과가 우수한 학습자 집단의 인지부하를 비교 분석함으로써 학습자의 문제점을 식별하고, 식별된 문제점을 피드백하는 가이드를 제공할 수 있다.

구체적으로 본 발명의 프로세서(110)는 학습자의 심리생리반응에 대한 시계열 군집 분석을 통해 해당 학습자의 인지부하 유형을 진단하고, 진단된 인지부하 유형에 따라 적절한 학습 방법을 지원할 수 있다.

이를 위해 프로세서(110)는 사전 연구를 통해 획득된 내재적 인지 부하 및 외재적 인지 부하 상황에서의 대표 패턴을 저장할 수 있다. 그리고, 프로세서(110)는 현재 시점에서의 학습자에 대한 생리심리반응에서 추출된 특정 패턴과 사전 연구를 통해 저장된 대표 패턴을 비교함으로써 각각의 학습자가 학습 콘텐츠를 학습하는 과정에서 어떤 인지 부하를 경험하고 있는지 판단할 수 있다.

일례로, 학습 콘텐츠의 과제복합성이나 난이도 등 높아 학습자에게 내재적 인지 부하가 과도하게 발생하고 있다고 판단되면, 프로세서(110)는 해당 학습 콘텐츠와 유사한 내용이면서 과제복합성이나 난이도가 낮은 학습 콘텐츠를 제시하여 학습자가 해당 내용에 숙달될 수 있도록 함으로써 학습자가 해당 학습 콘텐츠를 해결하는데 도움을 줄 수 있다.

또는 학습 콘텐츠와 관련하여 학습자들이 공통으로 경험하는 외재적 인지 부하가 과도하게 발생하는 구간이 있다고 판단되면, 프로세서(110)는 학습자들의 생리심리반응 가운데 시선 이동 정보와 매칭하여 해당 학습 콘텐츠에 대한 교수 설계적인 요소를 수정하도록 유도할 수 있다.

도 2는 본 발명의 일실시예에 따른 데이터 전처리 과정을 플로우챠트로 도시한 도면이다.

단계(210)에서, 인지부하 진단 장치(100)는 수집된 학습자의 생리심리반응의 정상 범위에 기초하여 이상치를 제거할 수 있다. 인지부하 진단 장치(100)는 일반적인 동공 크기의 범주(2.0-7.0mm)를 벗어나거나, 각 참여자(학습자)별 데이터 내에서 2.5 SD cut-off(평균으로부터 2.5 표준편차 지점)를 벗어나는 값은 결측치로 처리할 수 있다.

그리고, 인지부하 진단 장치(100)는 인지적 처리 요구(cognitive processing demand)에 따른 동공반응의 정상 범위를 벗어나는 값은 이상치로 간주하여 결측치로 처리할 수 있다. 본 발명에서 동공반응은 수집된 동공 크기 그 자체가 아닌, 관측치에서 개인별 기저반응을 뺀 동공 확장 정도로 계산하였다. 이 방식을 사용하였을 때 동공반응은 1.0mm를 넘지 않는다고 알려져 있다. 따라서 인지부하 진단 장치(100)는 관측치에서 개인의 기저반응을 제하였을 때, 변화 정도가 ㅁ1.0mm를 넘는 경우, 결측치로 처리할 수 있다.

또한, 인지부하 진단 장치(100)는 측정 기기와 눈 간 거리를 기준으로 이상치를 분류할 수 있다. 본 발명에서와 같이 고정형 아이트래커를 활용할 경우, 측정 기기와 눈 사이 거리가 너무 가깝거나 멀면 정확한 측정이 어려운 것으로 알려져 있다. 실험에 사용한 기기는 거리로 인해 발생할 수 있는 동공 크기 왜곡 문제를 보정할 수 있는 알고리즘을 내재하고 있었다. 그러나 인지부하 진단 장치(100)는 참여자(학습자)의 자세 변화 등의 이유로 눈-기기 사이의 거리가 권장 범위(35-95cm)를 벗어나는 데이터가 일부 발생할 경우, 이를 제거할 수 있다.

단계(220)에서, 인지부하 진단 장치(100)는 이상치를 제거함으로써 발생된 학습자의 생리심리반응에 포함된 결측치를 선형 보간할 수 있다. 인지부하 진단 장치(100)는 불필요한 노이즈를 줄이고 다른 데이터와의 원활한 통합을 위하여 영상을 학습하는 동안 1/30초 간격으로 수집된 데이터 중 결측치를 제외한 양쪽 동공 크기 관측치를 1초당 평균으로 합할 수 있다. 이후 이상치로 판단되어 제거하였던 결측치는 선형 보간법(linear interpolation)을 통해 보정될 수 있다.

단계(230)에서, 인지부하 진단 장치(100)는 선형 보간된 학습자의 생리심리반응을 시계열 데이터로 변환할 수 있다. 보다 구체적으로 인지부하 진단 장치(100)는 시계열분석을 하여 수집된 동공반응 데이터를 시계열 데이터로 변환할 수 있다.

이는 각 시점 별 동공반응이 점(point)으로 표현되어 있던 기존 데이터를 연속적인 시계열 객체(object)로 변환해 줄 수 있다. 또한 수집 시각(예: 2017-03-07 10:58:00 AM)으로 표현되었던 시간 정보를 임스탬프(timestamp) 형식의 인덱스(예: 1, 2, 3, 4…)로 전환해주어 학습자들이 영상의 특정 부분에서 보인 동공반응 간의 비교를 용이하게 해준다.

단계(240)에서, 인지부하 진단 장치(100)는 시계열 데이터로 변환된 학습자의 생리심리반응에 대해 데이터 스무딩(smoothing) 기법을 적용할 수 있다. 보다 구체적으로 인지부하 진단 장치(100)는 불필요한 노이즈를 줄이고 중요한 경향 위주로 동공반응의 변화를 파악하기 위하여 시계열 데이터를 Lowess(Locally weighted scatterplot smoothing) 기법을 활용하여 스무딩 할 수 있다.

도 3은 본 발명의 일실시예에 따른 학습자의 생리심리반응에 대한 특정 패턴을 추출하는 방법을 도시한 예이다.

본 발명은 학습 콘텐츠의 세부 학습 장면에서 학습자들이 경험하는 인지부하를 이해하기 위하여 시계열적인 접근을 활용하여 동공반응을 분석하는 방법을 제공한다. 시계열 분석은 시간 흐름에 따른 데이터의 변화 양상을 파악하고, 특정한 가치를 추출하는 것을 목적으로 한다. 이를 위하여 본 발명에서는 시각화를 통해 일차적으로 데이터의 양상을 파악하고, 보다 세밀한 단위에서 나타나는 반응을 분석하기 위하여 군집분석을 활용할 수 있다.

군집분석(clustering)은 관측치의 특성을 이용하여 개체 사이의 유사성(similarity) 혹은 비유사성 정도를 측정하여 개체들을 가까운 순서대로 범주화하는 통계 기법이다. 군집분석은 데이터의 분포나 양상에 대한 사전 가정 없이도 활용할 수 있는 분석 기법이다.

본 발명에서는 동영상 학습 과정 중 나타나는 동공반응의 변화를 통해 학습자의 인지부하를 이해하는 것을 목적으로 한다. 시간 흐름에 따른 동공반응 변화 양상을 통해 인간의 인지과정을 이해하려는 연구는 점차 늘고 있지만, 아직까지 이와 관련하여 알려진 모형(model)이나 범주 구분 기준은 마련되어 있지 않다. 따라서 '어느 데이터와 어느 데이터가 더 유사한가'를 파악하는 군집분석은 이러한 경우에 활용될 수 있는 적절한 탐색적 기법에 해당할 수 있다.

시계열 군집분석(time-series clustering)은 유사성을 기준으로 그룹으로 묶이는 개체가 '사람'이 아니라 '시계열 데이터'라는 면에서 일반적으로 알려진 군집분석과 다르다. 시계열 군집분석 방법은 크게 전체 데이터의 유사성을 기준으로 군집을 도출하는 전체 시계열 군집화(whole time-series clustering), 시계열 데이터에서 추출된 부분 간 유사성을 기준으로 군집을 도출하는 하위 시퀀스 군집화(subsequence clustering), 그리고 피크와 같이 특이한 지점의 유사성을 기준으로 군집을 도출하는 시점 군집화(time-point clustering)와 같이 세 가지로 구분될 수 있다.

전체 시계열 군집화는 전체 시계열 데이터가 긴 경우, 국소적으로 나타나는 유의미한 패턴을 반영하지 못한다는 약점이 있다. 반면 시점 군집화는 특정 이상치에 민감하기 때문에 의미 있는 정보를 도출하기 어렵다는 한계를 지닌다. 이에 본 발명의 인지부하 진단 장치(100)는 의미 있는 최소 단위에서의 하위 시퀀스 데이터를 도출하여 이들 간의 유사성을 기준으로 데이터를 범주화하는 하위 시퀀스 군집화를 활용하였다.

도 3을 참고하면, 본 발명의 인지부하 진단 장치(100)가 수행하는 군집분석 과정을 보여준다. 먼저, 인지부하 진단 장치(100)는 각 영상을 학습하는 동안 수집된 전체 학습자의 동공반응 데이터를 학습 소구간 단위(30 초 간격)로 분할할 수 있다. 이는 군집의 후보가 될 대상, 즉, 하위 시퀀스 데이터를 생성하는 단계에 해당할 수 있다.

다음으로 인지부하 진단 장치(100)는 CORT 방식을 활용하여 하위 시퀀스 데이터 간의 유사성을 측정할 수 있다. 군집분석은 기본적으로 관측치의 유사성 혹은 비유사성을 기초로 개체를 그룹화한다는 측면에서 '어떠한 기준으로 관측치 간의 유사성을 판단할 것인가'가 분석에서 매우 중요한 의사결정 요소가 될 수 있다.

본 발명의 인지부하 진단 장치(100)는 동공반응 간의 유사성을 판단하기 위하여 동공반응의 크기와 방향성을 모두 고려할 필요가 있다. 이는 각 시점에서 동공이 확장된 정도는 곧 인지부하의 정도와 관련이 있고, 방향성은 곧 구간 내에서 일어나는 변화의 양상을 보여주기 때문이다.

CORT 방식은 유클리디언 거리 측정법의 장점인 신호의 크기를 잘 반영한다는 점과 상관계수를 활용하는 COR 방식의 장점인 데이터의 역동성을 잘 반영한다는 점을 고루 살린 유사성 측정 방식일 수 있다. 따라서, 인지부하 진단 장치(100)는 CORT 방식을 활용하여 하위 시퀀스 데이터 간의 거리를 측정할 수 있다.

그리고, 인지부하 진단 장치(100)는 와드연결법을 활용하여 군집을 형성할 수 있다. 와드연결법은 집단 간 모든 변수들 간의 거리제곱합을 고려하여 집단을 결정하며 집단 내 거리제곱합은 최소로 하는 방식이다.

인지부하 진단 장치(100)는 이와 같이 군집화된 결과를 학습자의 사전 지식 수준과 학습 콘텐츠의 과제복합성 수준을 고려하여 분석함으로써 학습자의 인지부하를 측정할 수 있다.

도 4 내지 도 5는 본 발명의 일실시예에 따른 학습 대구간에서의 인지부하 탐색을 도시한 도면이다.

주제에 따라 영상1(전칭ㅇ존재명제)과 영상2(양항명제)로 분류한 학습 대구간에서 학습자가 경험한 전반적인 인지부하를 살펴보고자 1) 사전지식 상ㅇ하 집단 간 동공반응 차이 검증과 2) 과제복합성 상ㅇ하 구간별 동공반응 차이 검증을 시행하였다.

<1. 사전지식 상ㅇ하 집단 간 동공반응 차이>

각 집단의 표본 크기가 크지 않고, 정규성을 만족하지 않아 비모수적 방법인 윌콕슨 순위합 검정을 사용하여 두 집단 간 동공반응 평균 차이를 검증하였다. 분석 결과, 상ㅇ하 집단 간 동공반응 차이는 영상1(p=.49)과 영상2(p=.44)에서 모두 통계적으로 유의하지 않았다. 그러나 영상2(양항명제)에서의 두 집단 간 동공반응 차이가 영상1(전칭ㅇ존재명제)보다 컸음을 도 4를 통해 확인할 수 있다.

<2. 과제복합성 상ㅇ하 구간별 동공반응 차이>

과제복합성이 낮은 영상1(전칭-존재명제)과 높은 영상2(양항명제)에서 동공반응 차이가 있는지를 비모수적 방법인 윌콕슨 부호 순위 검정을 통해 사전지식 상-하 집단별로 확인하였다. 분석 결과, 상 집단(p=.97)과 하 집단(p=.10) 모두 영상1(전칭-존재명제)에서의 동공반응과 영상2(양항명제)에서 동공반응 간 차이가 통계적으로 유의하지 않았다. 데이터의 분포를 시각적으로 나타내면 도 5와 같다.

데이터 분포의 1분위에서 3분위수 사이를 의미하는 상자그림(boxplot) 상의 박스 크기로는 상-하 집단 모두 과제복합성 수준에 따른 큰 차이가 나타나지 않았다. 그러나 하 집단에서는 과제복합성이 높아짐에 따라 동공반응 데이터의 중앙값이 크게 높아졌음을 확인할 수 있었다. 상 집단에서는 오히려 중앙값이 다소 낮아지는 경향이 확인되었다.

도 6 내지 도 9는 본 발명의 일실시예에 따른 학습 중구간에서의 인지부하 탐색을 도시한 도면이다.

도 6 내지 도 9를 참고하면, 보다 세부적인 분석 단위를 설정하여 학습 과정 중 변화하는 학습자의 인지부하를 이해하고자 하였다. 이를 위하여 동공반응을 하나의 값 형태로 요약하지 않고 연속성을 살려 데이터를 표현하는 시각화를 수행하였다. 이는 1) 전체 참여자의 동공반응 시각화와 2) 학습 내용에 따라 구분되는 학습 중구간에서의 집단별 동공반응 변화 시각화 두 가지로 진행하였다.

<1. 전체 참여자의 동공반응 시각화>

데이터의 전반적인 경향을 확인하고자 영상1(전칭ㅇ존재명제)과 상2(양항명제)에서 수집된 전체 참여자의 동공반응을 연속된 선의 형태로 표시하였다. 도 6은 영상1(전칭ㅇ존재명제)에서 수집된 체 학습자의 동공반응을 시각화 한 결과이다. 전체 데이터는 약 -0.27mm에서 약 0.95mm 사이에 분포하고 있다.

도 7은 영상2(양항명제)에서 수집된 전체 학습자의 동공반응을 시각화 한 결과이다. 전체 데이터는 약 -0.40mm에서 1.00mm 사이에 분포하고 있다. 도 6과 도 7에서 확인되는 바와 같이 기본적인 전처리를 거쳤음에도 전체 시계열 데이터를 단순히 시각화하는 것만으로는 어떠한 특징이나 경향성을 발견하기 어려웠다.

따라서 사전지식 상ㅇ하 집단별로 동공반응의 변화를 선으로 나타낸 후 이를 학습 구간 단위로 구분하였다.(도 8 내지 도 9 참조) 그래프의 x축에는 학습 영상의 재생 시간을 나타내는 시간 인덱스를 표시하고, y축에는 해당 시점에서의 동공반응을 표시하였다. 선의 빨간색, 초록색은 각각 상-하 집단을 뜻하며, 선을 둘러 싸고 있는 회색 음영 부분은 95% 신뢰 구간을 표현한 것이다. 구간별 과제복합성은 각 구간별 하단에 제시하였다.

<2. 집단별 동공반응 시각화>

학습 과정에서 관찰된 동공반응 변화를 신호의 크기(amplitude)와 경향성(trend)이라는 측면에서 진술하면 다음과 같다. 먼저 과제복합성이 낮은영상1(전칭ㅇ존재명제)에서의 변화를 살펴보면, 구간 1-1에서 1-4까지는 상ㅇ하 집단의 동공반응이 크기와 증감의 방향 측면에서 유사한 양상을 보였다. 구간 1-5와 구간 1-6에서는 두 집단 모두 하락, 상승 경향을 보이기 때문에 경향성 측면에서는 유사하나 크기 측면에서 차이가 두드러지기 시작하였다.

구간 1-5에서 상 집단은 가파르게 하락하는 데 이어 다시 반등하는 형태를, 하 집단은 비교적 완만한 상태를 유지하였다. 크기 차이는 0.5mm에서 1.0mm까지 어지는 것으로 관찰되었다. 구간1-6에서 상 집단의 반응은 구간 초반 증가하는 형태를 보이다가 중반에서 하락 후, 학습이 종료되는 시점에는 반등하는 양상이 나타났다. 반면 하 집단의 경우 구간 1-5에서 이어진 상승세를 보이다가 중반 이후부터 학습이 종료되는 시점까지 완만하게 감소하는 형태를 띄었다. 두 집단 간 동공반응 차이는 최대 0.7mm까지로 나타났다.

과제복합성이 높은 영상2(양항명제)에서의 동공반응은 영상1(전칭ㅇ존재명제) 에서보다 집단 간 변이가 크게 나타났다. 학습이 시작되는 시점에 속하는 구간 2-1에서는 구간 1-1에서 관찰된 바와 같이 두 집단 모두 감소하는 형태를 보였다. 동공반응의 크기 역시 유사한 수준으로 나타났다. 구간 2-2에서 상 집단의 반응은 하락세가 이어졌지만, 하 집단은 완만한 상승 곡선을 보였다. 동공반응의 크기 차이도 벌어지는 양상이 관찰되었다.

한편, 구간 2-3에서는 상 집단에서는 상승 형태가, 하 집단에서는 완만하게 하락하는 형태가 나타났다. 크기 차이는 줄어들어 중반 이후로는 그 차이가 오차 범위 내에 있었다. 구간 2-4에서 상 집단의 반응은 하락하였다가 다시 가파르게 상승하며, 하 집단은 점차 상승하는 형태를 보였다.

반응의 크기는 중반까지 두 집단 간 차이가 유지되다가 이후로는 줄어들었다. 구간 2-5에서 상 집단이 중반 지점에서 잠시 반등하는 형태를 보이다가 전반적으로 하락하는 경향을 보이는 것과 대조적으로 하 집단은 중반 이후부터 가파른 상승세를 보였다. 중반까지는 반응의 크기 차이가 크지 않은 데 반해 이후로는 급격하게 벌어지는 양상이 관찰되었다.

구간 2-6에서 상 집단은 완만한 상승세를 이어가는 데 반해, 하 집단은 초반까지 감소세를 보이다가 이후 상승하는 경향이 나타났다. 두 집단 간 동공반응 크기 차이는 크지 않았다. 마지막 구간인 2-7에서 상 집단은 급락하는 반면, 하 집단은 완만하게 유지되었다. 두 집단 간 반응 크기 차이는 시작점을 기준으로 크게 벌어졌다가 종료 지점에서는 유사하였다.

도 10 내지 도 16은 본 발명의 일실시예에 따른 학습 소구간에서의 인지부하 탐색을 도시한 도면이다.

도 10 내지 도 16을 참고하면, 보다 세밀한 단위에서 탐색하기 위하여 재생 시간을 기준으로 구분한 학습 소구간별로 나타난 동공반응을 살펴보았다. 분석은 1) 학습 과정 중 수집한 동공반응의 하위 시퀀스를 활용한 군집화, 2) 군집화 결과에 해당하는 패턴의 비율을 기준으로 하는 사전 지식 상ㅇ하 집단 간 동공반응 차이 검증, 3) 패턴 비율을 활용한 과제복합성 상ㅇ하 구간에서의 동공반응 차이 검증 순으로 진행하였다.

<1. 학습 과정 중 수집한 동공반응의 하위 시퀀스를 활용한 군집분석 결과>

분석에 앞서 군집 수를 결정하기 위하여 Gap statistic을 확인하였다. 도 10을 참조하면, 영상1(전칭ㅇ존재명제), 영상2(양항명제)에서의 하위 시퀀스를 구분하기 위한 적정한 군집 개수는 7개로 확인되었다.

이를 바탕으로 영상1(전칭ㅇ존재명제)의 하위 시퀀스 데이터를 7개의 군집으로 분류하고 그 결과를 일곱 가지 패턴(패턴 1~패턴 7)으로 정의하였다. 같은 군집에 속하는 데이터는 도 11에서 확인되는 바와 같이 1) 반응의 크기와 2) 그래프의 기울기라는 두 가지 측면에서 유사하였다.

각 패턴의 전반적인 경향을 이해하고자 하위 시퀀스 군집화 결과의 대표선을 도 12와 같이 시각화 하였다. 기울기에 따라 패턴을 분류하면 패턴1과 패턴 5는 단조 감소의 형태를, 패턴 2와 패턴 7은 단조 증가의 형태를 띈다. 패턴 3, 패턴 5, 패턴 6은 복합적인 형태가 나타나는 것으로 패턴 3은 상승 후 하강하며, 패턴 4와 패턴 6은 감소 후 상승하는 형태를 보였다. 동공반응의 변화 폭은 모든 패턴에서 약 0.05mm에서 0.15mm 사이로 관찰되었다.

영상2(양항명제)의 하위 시퀀스 데이터를 7개의 군집으로 분류한 결과는 도 13과 같았다. 영상1에서와 마찬가지로 같은 군집으로 분류된 데이터는 1) 반응의 크기와 2) 그래프의 기울기라는 두 가지 측면에서 유사하였다. 각 패턴의 전반적인 경향을 이해하고자 영상2(양항명제)의 하위 시퀀스 군집화 결과도 도 14와 같이 대표선을 그려 확인하였다.

방향성으로 패턴을 분류하면 패턴1, 패턴 2, 패턴 5는 단조 감소 형태, 패턴 3, 패턴 4, 패턴 6, 패턴 7은 단조 증가 형태로 나눌 수 있다. 패턴 2, 패턴 3, 패턴 4는 변동폭이 0.1mm를 넘지 않는 데 반해 패턴 1, 패턴 5, 패턴 6, 패턴 7은 0.2mm에서 0.3mm까지 변동폭이 크게 나타났다.

<2. 영상1에서의 인지부하 차이>

가. 사전지식 상ㅇ하 집단 간 동공반응 패턴 비율 차이 검증

학습 소구간에서 사전지식 상ㅇ하 집단 간 인지부하에 차이가 있었는지를 살펴보기에 앞서 하위 시퀀스 군집화 결과와 참여자별, 구간 정보를 매칭하여 정리하였다. 이는 군집화 결과를 사전지식 수준과 과제복합성 수준과 매칭시켜 그 결과를 해석하기 위함이다. 도 15는 그 결과를 매트릭스 형태로 정리한 것이다.

도 15에 제시되어 있는 정보를 자세히 설명하면 다음과 같다. 첫 번째, 두 번째 열은 참여자의 정보를 뜻하는 것으로 각각 사전지식 집단과 참여자를 구분하기 위한 식별자인 ID를 의미한다. 데이터는 사전지식 상ㅇ하 집단 순, 그리고 ID의 오름차순 순으로 정리하였다. 세 번째 열부터 표시되어 있는 문자는 학습 소구간명을 뜻한다. 학습 소구간은 30초 간격으로 생성되었기 때문에 구간 1-A는 재생 시간을 기준으로 1초에서 30초까지를, 구간 1-B는 31초부터 60초까지를 의미한다. 구간명 아래에 배치되어 있는 1부터 7까지의 숫자가 군집분석 결과, 즉, 해당 구간에서의 동공반응을 패턴으로 분류한 결과를 뜻한다.

영상1(전칭ㅇ존재명제)의 학습 소구간 단위에서 사전지식 수준에 따라 학습자들이 경험한 인지부하에 차이가 있는지를 살펴보고자 카이제곱검정을 활용하여 동공반응 패턴 분포 차이를 검증하였다. 과제복합성 상ㅇ하 구간을 포괄하는 전체 구간에서의 분석 결과, 아래의 표 3과 같이 유의확률 .01로 사전지식 상ㅇ하 집단 간 동공반응 패턴 비율에 차이가 있었다.

<표 3>

사전지식 상 집단에서는 패턴 7이 25.7%로 가장 많이 나타났으며, 패턴 5와 패턴 1이 각각 21.9%, 19.3%를 차지하고 있다. 가장 적게 나타난 패턴은 패턴 2로 11회(5.9%) 등장하였다.

사전지식 하 집단의 동공반응에서도 패턴 7이 21.3%로 가장 많이 나타났으며, 패턴 3과 패턴 5가 그 뒤를 이었다. 가장 적게 나타난 패턴은 사전지식 상 집단과 마찬가지로 패턴 2(6회, 4.4%)였다.

과제복합성 수준별로 사전지식 상ㅇ하 집단 간 동공반응 패턴 차이가 있는지 확인한 결과, 상 구간에서는 유의확률은 .23로써 집단 간 차이가 유의하지 않았다.

반면 과제복합성 하 구간에서는 유의확률 .02로써 집단 간 패턴 차이가 아래의 표 4와 같이 유의하게 나타났다. 결과를 살펴보면, 과제복합성 상 구간에서 사전지식 상 집단의 동공반응에서는 패턴 7을 가장 많이 나타났으며, 패턴 2가 가장 적었다.

<표 4>

사전지식 하 집단의 동공반응에서는 패턴 1, 패턴 3, 패턴 5, 패턴 7이 동일한 빈도로 가장 많이 나타났으며, 패턴 2가 가장 작은 비율을 차지하였다. 반면 과제복합성 하 구간에서 사전지식 상 집단의 동공반응에서는 패턴 1이 가장 빈번하게 나타났으나 하 집단에서는 패턴 7이 가장 많이 나타났다. 가장 적게 나타난 패턴은 패턴 2로 같았다.

나. 과제복합성 상ㅇ하 구간별 동공반응 패턴 비율 차이 검증

과제복합성 수준에 따른 인지부하의 변화를 이해하고자 과제복합성 상ㅇ하 구간에서 나타난 동공반응 패턴의 비율 차이를 아래의 표 5와 같이 검증하였다. 먼저 사전지식 상ㅇ하 집단을 구분하지 않고 과제복합성 상ㅇ하 구간에서의 동공반응 패턴 비율 차이를 검증한 결과, 유의확률 .95로 차이가 없었다. 과제복합성 상 구간에서는 패턴 5가 21.1%로 가장 많이 나타났으며, 패턴 1과 패턴 3이 각각 16.4%, 12.9%를 차지하고 있다.

<표 5>

반면 과제복합성 하 구간에서는 패턴 7이 22.4%로 가장 많이 나타났으며, 패턴 5와 패턴 1이 각각 21.7%, 18.4%를 차지하고 있다.

영상1(전칭ㅇ존재명제)에서 사전지식 집단의 과제복합성 상ㅇ하 구간별 인지부하에 차이가 있는지 검증하였다. 이를 위하여 집단별로 과제복합성 상ㅇ하 구간별 동공반응 패턴의 비율에 차이가 있는지 검증한 결과, 사전지식 상 집단(p=.53)과 하 집단(p=.70) 모두 과제복합성 수준에 따른 동공반응 패턴 비율에는 차이가 유의하지 않음을 하기의 표 6을 통해 알 수 있다.

<표 6>

<3. 영상2에서의 인지부하 차이>

가. 사전지식 상ㅇ하 집단 간 동공반응 패턴 비율 차이 검증

영상2(양항명제)의 학습 소구간 단위에서 사전지식 상ㅇ하 집단 간 인지부하에 차이가 있었는지를 살펴보고자 도 16과 같이 하위 시퀀스 군집화를 시행하였다. 도 16은 영상1(전칭ㅇ존재명제)에서와 마찬가지로 동공반응 패턴을 각 학습자의 사전지식 수준, 구간의 과제복합성 수준과 매칭하여 나타내었다.

과제복합성 상ㅇ하 구간을 포괄하는 전체 구간에서의 상ㅇ하 집단 간 동공반응 패턴 비율은 유의확률 .01로 차이가 있었다. 자세한 빈도표는 아래의 표 7과 같다.

<표 7>

결과를 살펴보면, 사전지식 상 집단에서는 패턴 2가 35.2%로 가장 많이 나타났으며, 패턴 3과 패턴 6이 각각 24.1%, 13.0%를 차지하고 있다. 가장 적게 나타난 패턴은 패턴 7로 6회(2.4%) 등장하였다. 사전지식 하 집단에서는 패턴 3이 25.0%로 가장 많이 나타났으며, 다음으로는 패턴 2, 패턴 1 순으로 많이 나타났다. 가장 적게 나타난 패턴은 사전지식 상 집단과 마찬가지로 패턴 7(3회, 1.6%)이었다.

과제복합성 상ㅇ하 구간에서 사전지식 상ㅇ하 집단 간 동공반응 패턴 차이가 있는지 확인한 결과, 상 구간(p=.01)에서는 집단 간 차이가 통계적으로 유의하였다.

반면 과제복합성 하 구간에서는 유의확률 .27로써 집단 간 차이가 유의하지 않았었다. 과제복합성 구간별로 사전지식 상ㅇ하 집단의 동공반응 패턴을 나누어 살펴본 결과는 아래의 표 8과 같다.

<표 8>

결과를 살펴보면, 과제복합성 상 구간에서 사전지식 상 집단의 동공반응에서는 패턴 2가 가장 빈번하게 관찰되었으며, 패턴 7이 가장 적게 나타났다. 사전지식 하 집단에서는 패턴 2가 가장 많이 나타났으며, 패턴 7이 가장 적었다.

한편 과제복합성 하 구간에서 사전지식 상 집단의 동공반응을 살펴보면 패턴 2가 가장 많았으나 하 집단에서는 패턴 3이 가장 많이 나타났다. 가장 적게 나타난 패턴은 상ㅇ하 집단 모두 패턴 7로 나타났다.

나. 과제복합성 상ㅇ하 구간별 동공반응 패턴 비율 차이 검증

과제복합성 수준에 따른 인지부하의 변화를 이해하고자 과제복합성 상ㅇ하 구간에서의 동공반응 패턴 차이를 분석하였다. 먼저 사전지식 수준에 따른 구분 없이 전체를 대상으로 차이를 분석한 결과, 유의확률 .02로 동공반응 패턴이 나타난 비율에 통계적으로 유의한 차이가 있음을 아래의 표 9를 통해 알 수 있었다.

<표 9>

영상2(양항명제)에서 사전지식 집단의 과제복합성 상ㅇ하 구간별 인지부하에 차이가 있는지 검증하였다. 이를 위하여 집단별로 과제복합성 상ㅇ하 구간에서의 동공반응 패턴 비율에 차이가 있는지 검증한 결과, 사전지식 상 집단(p=.08)과 하 집단(p=.11) 모두에서 그 차이가 통계적으로 유의하지 않음을 아래의 표 10을 통해 알 수 있었다.

<표 10>

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

100 : 인지부하 진단 장치
110 : 프로세서

Claims (14)

1. 학습 콘텐츠에 대한 학습자의 사전 지식 수준 및 상기 학습 콘텐츠의 과제복합성을 평가하는 단계;
   상기 학습 콘텐츠를 학습하기 전 발생된 상기 학습자의 생리심리반응에 대한 기저반응을 측정하는 단계;
   상기 학습 콘텐츠를 학습하는 과정에서 발생된 상기 학습자의 생리심리반응을 수집하는 단계;
   상기 평가된 학습자의 사전 지식 수준 및 학습 콘텐츠의 과제 복합성에 기초하여 상기 수집된 학습자의 생리심리반응에 대한 시계열적인 특성을 분석함으로써 상기 학습자의 인지부하를 진단하는 단계
   를 포함하는 인지부하 진단 방법.
2. 제1항에 있어서,
   상기 평가하는 단계는,
   상기 학습 콘텐츠와 관련된 사전 지식 검사 성취도 및 학습 시스템 내에 수집된 데이터 중 상기 학습 콘텐츠에 대한 상기 학습자의 이전 성취도를 이용하여 상기 학습자의 사전 지식 수준을 평가하는 인지부하 진단 방법.
3. 제1항에 있어서,
   상기 평가하는 단계는,
   상기 학습 콘텐츠에 포함된 학습 과제를 구성하는 요소들의 개수를 이용하여 상기 학습 콘텐츠의 분석 단위에 따라 과제복합성을 평가하는 인지부하 진단 방법.
4. 제1항에 있어서,
   상기 수집하는 단계는,
   상기 수집된 학습자의 생리심리반응의 정상 범위에 기초하여 이상치를 제거하는 단계;
   상기 이상치를 제거함으로써 발생된 상기 학습자의 생리심리반응에 포함된 결측치를 선형 보간하는 단계;
   상기 선형 보간된 학습자의 생리심리반응을 시계열 데이터로 변환하는 단계; 및
   상기 시계열 데이터로 변환된 학습자의 생리심리반응에 대해 데이터 스무딩(smoothing) 기법을 적용하는 단계
   를 포함하는 인지부하 진단 방법.
5. 제1항에 있어서,
   상기 생리심리반응은,
   동공 크기, 뇌파 및 심박 변이도 중 적어도 하나를 포함하는 인지부하 진단 방법.
6. 제1항에 있어서,
   상기 진단하는 단계는,
   상기 학습 콘텐츠의 내용 및 시점에 대해 상기 수집된 학습자의 생리심리반응을 매칭하는 단계;
   상기 매칭된 학습자의 생리심리반응을 상기 학습 콘텐츠의 학습 단위에 따라 분할하여 특정 패턴을 추출하는 단계; 및
   상기 평가된 학습자의 사전 지식 수준 및 학습 콘텐츠의 과제 복합성에 기초하여 상기 추출된 특정 패턴을 해석함으로써 상기 학습자의 인지부하를 측정하는 단계
   를 포함하는 인지부하 진단 방법.
7. 제1항에 있어서,
   상기 진단된 학습자의 인지부하에 기초하여 상기 학습자에게 상기 학습 콘텐츠에 대한 가이드를 제공하는 단계
   를 더 포함하는 인지부하 진단 방법.
8. 인지부하 진단 장치에 있어서,
   프로세서를 포함하고,
   상기 프로세서는,
   학습 콘텐츠에 대한 학습자의 사전 지식 수준 및 상기 학습 콘텐츠의 과제복합성을 평가하고, 상기 학습 콘텐츠를 학습하기 전 발생된 상기 학습자의 생리심리반응에 대한 기저반응을 측정하며, 상기 학습 콘텐츠를 학습하는 과정에서 발생된 상기 학습자의 생리심리반응을 수집하고, 상기 평가된 학습자의 사전 지식 수준 및 학습 콘텐츠의 과제 복합성에 기초하여 상기 수집된 학습자의 생리심리반응에 대한 시계열적인 특성을 분석함으로써 상기 학습자의 인지부하를 진단하는 인지부하 진단 장치.
9. 제8항에 있어서,
   상기 프로세서는,
   상기 학습 콘텐츠와 관련된 사전 지식 검사 성취도 및 학습 시스템 내에 수집된 데이터 중 상기 학습 콘텐츠에 대한 상기 학습자의 이전 성취도를 이용하여 상기 학습자의 사전 지식 수준을 평가하는 인지부하 진단 장치.
10. 제8항에 있어서,
    상기 프로세서는,
    상기 학습 콘텐츠에 포함된 학습 과제를 구성하는 요소들의 개수를 이용하여 상기 학습 콘텐츠의 분석 단위에 따라 과제복합성을 평가하는 인지부하 진단 장치.
11. 제8항에 있어서,
    상기 프로세서는,
    상기 수집된 학습자의 생리심리반응의 정상 범위에 기초하여 이상치를 제거하고, 상기 이상치를 제거함으로써 상기 학습자의 생리심리반응에 포함된 결측치를 선형 보간하며, 상기 선형 보간된 학습자의 생리심리반응을 시계열 데이터로 변환하고, 상기 시계열 데이터로 변환된 학습자의 생리심리반응에 대해 데이터 스무딩(smoothing) 기법을 적용하는 인지부하 진단 장치.
12. 제8항에 있어서,
    상기 생리심리반응은,
    동공 크기, 뇌파 및 심박 변이도 중 적어도 하나를 포함하는 인지부하 진단 장치.
13. 제8항에 있어서,
    상기 프로세서는,
    상기 학습 콘텐츠의 내용 및 시점에 대해 상기 수집된 학습자의 생리심리반응을 매칭하고, 상기 매칭된 학습자의 생리심리반응을 상기 학습 콘텐츠의 학습 단위에 따라 분할하여 특정 패턴을 추출하며, 상기 평가된 학습자의 사전 지식 수준 및 학습 콘텐츠의 과제 복합성에 기초하여 상기 추출된 특정 패턴을 해석함으로써 상기 학습자의 인지부하를 측정하는 인지부하 진단 장치.
14. 제7항에 있어서,
    상기 프로세서는,
    상기 진단된 학습자의 인지부하에 기초하여 상기 학습자에게 상기 학습 콘텐츠에 대한 가이드를 제공하는 인지부하 진단 장치.

Images