Earticle

본 논문은 웹 기반 코딩 플랫폼인 CodeWalks를 Open edX 학습관리시스템(LMS)과 통합하여 코딩 교육을 개선하는 방안을 제시하였다. 제안된 시스템은 RESTful API와 사용자 정의 XBlock을 활용하여 CodeWalks와 Open edX 간의 원활한 통신을 구현하였으며, 이를 통해 실시간 코딩 활동 모니터링, 포괄적인 학습자 분석, 자동화된 퀴즈 채점, 그리고 블록 기반 및 텍스트 기반 코딩 인터페이스의 통합과 같은 핵심 기능을 제공하였다. 또한, Open edX의 분석 모듈인 edX Insights와 Figures를 통합하여 학습자 진행 상황을 정밀하게 추적하고 분석할 수 있는 강력한 프레임워크를 구축하였다. 정량적 분석 결과, 제안된 시스템은 학습자의 참여도(31% 증가, p < 0.001), 과제 완료율(23% 상승, χ² = 45.2, p < 0.001), 오류율(41% 감소, p < 0.001), 블록 기반에서 텍스트 기반 코딩으로의 전환율(73% vs. 52%, χ² = 38.7, p < 0.001), 그리고 학습자 만족도(중앙값 4.4 vs. 3.7, U = 76,234, p < 0.001)에서 통계적으로 유의미한 개선을 보였다. 이 연구는 코딩 초보자들의 학습 어려움을 해결하고 개인화된 학습 환경을 제공함으로써, 더 효과적이고 접근성 높은 코딩 교육의 새로운 가능성을 제시하였다.

This paper proposes integrating the CodeWalks coding platform with Open edX LMS to enhance coding education. The system uses RESTful APIs and custom XBlocks for seamless communication, enabling real-time monitoring, comprehensive analytics, and automated assessment. Integration with edX Insights and Figures provides detailed learner progress tracking. Quantitative analysis reveals significant improvements in the experimental group: 31% increase in engagement rate (p < 0.001), 22% higher completion rate (χ² = 45.2, p < 0.001), 41% decrease in error rate (p < 0.001), improved transition to text-based coding (73% vs 52%, χ² = 38.7, p < 0.001), and higher learner satisfaction (median 4.4 vs 3.7, U = 76,234, p < 0.001). The integrated platform addresses challenges faced by coding novices and offers a personalized learning environment. This study contributes to effective online coding education and provides a foundation for future innovations in educational technology.

본 연구는 비전공자 학생들 대상으로 효과적인 프로그래밍 학습이 가능하도록 학습 분석을 활용한 플립러닝 교수법의 효과성을 살펴보고자 한다. ADDIE모형을 적용한 플립러닝 프로그래밍 수업모형을 설계한 후 본교에서 운영 하고 있는 강의지원시스템의 학습관련 자료를 크롤링하였다. 크롤링 자료를 교수자가 쉽게 이해할 수 있도록 대시보드 로 제공하여 교수자는 이를 바탕으로 수업을 보다 효율적으로 설계하여 개별 맞춤 학습이 가능하도록 하였다. 한 학기 수업을 통해 수집된 학습관련 데이터를 바탕으로 분석한 결과 학과, 학년, 출결여부, 과제제출 여부, 예/복습 수강여부가 학업성취도에 영향을 미치는 것으로 나타났으며, 설문 분석결과 학습 분석을 통한 교수자의 개별화된 피드백이 자기 주도적 학습에 많은 도움이 되었다고 응답하였다. 본 연구는 학습자의 학습을 촉진시키고 교수자는 교수활동을 개선할 수 있는 기틀을 마련해 주는 계기가 될 것으로 기대한다. 향후 학습자들의 학습과 관련된 소셜네트워크서비스의 내용도 크롤링하여 학습자들의 학습상황을 분석하고자 한다.

The study aims to examine the effectiveness of flipped learning teaching methods by using learning analytics to enable effective programming learning for non-major students. After designing a flipped learning programming class model applied with the ADDIE model, learning-related data of the lecture support system operated by the school was processed with crawling. By providing data processed with crawling through a dashboard so that the instructor can understand it easily, the instructor can design classes more efficiently and provide individually tailored learning based on this. As a result of analysis based on the learning-related data collected through one semester class, it was found that the department, academic year, attendance, assignment submission, and preliminary/review attendance had an effect on academic achievement. As a result of survey analysis, they responded that the individualized feedback of instructors through learning analysis was very helpful in self-directed learning. It is expected that it will serve as an opportunity for instructors to provide a foundation for enhancing teaching activities. In the future, the contents of social network services related to learners’ learning will be processed with crawling to analyze learners’ learning situations.

21세기의 새로운 지식, 기술, 능력의 요구에 따라서 새롭게 강조되고 있는 인식론적 프레임(Epistemic Frame)을 컴퓨터를 통해서 학습할 수 있는 교육프로그램에 대한 관심이 높아지고 있다. 그러나 인식론적 프레임의 이론적 모형은 컴 퓨터를 활용한 교육프로그램에 적합하게 적용하기에는 아직 미비하며, 이를 교육할 수 있는 교육프로그램을 설계하기 위한 디자인이 거의 제시되지 않았다. 또한 교육프로그램을 통하여 학습한 내용을 평가할 수 있는 측정이론 혹은 학습분석에 대 한 고찰이 거의 없다. 본 연구는인식론적 프레임의 개념을 학습할 수 있는 컴퓨터를 활용한 교육프로그램의 디지인의 핵심 적 요소를 제시함을 목적으로 하고 교육프로그램을 통하여 학습한 내용을 측정 및 평가할 수 있는 측정이론(학습분석)의 방법을 탐색한다. 이는 추후 컴퓨터를 활용하여 인식론적 프레임 학습과 이를 평가할 수 있는 통합적 교육프로그램 개발을 위한 방법론으로 활용될 것으로 기대된다.

There is a growing interest in computer based learning system that can learn a new concept of epistemic frames in response to the demands of 21st century Skills. However, there is little research on the theoretical models for the epistemic frames applicable in the changing educational environment and the measurement theories (Psychometric theory, Learning Analytics) that can be evaluated. Therefore, in this study, we propose the core elements of the learning system prototype that can educate the epistemic frames in the practical community. Furthermore, this study explores and suggests an appropriate psychometric measurement theory (learning analytics) that allows us to measure, infer, and evaluate a learner.

교육에서 활용 가능한 기술의 발달과 코로나19로 인한 디지털 전환의 가속화는 에듀테크라 불리 는 교육에 기술이 접목된 교육서비스의 활용을 촉진하고 있다. 학습분석은 교육현장에서 그 활용에 대한 필요성과 중요성이 높아지고 있는 에듀테크 중 하나이다. 학생들이 생산해내는 학습데이터를 수집 분석하여 그 결과를 바탕으로 개인화된 교수학습을 처방하는 학습분석은 특히 맞춤형 교육의 실현 방안으로 주목받고 있다. 하지만 교육현장에서 학습분석 활용이 강조됨에도 불구하고 맞춤형 교육을 위한 학습분석의 실제적 활용을 다룬 연구는 찾아보기 어렵다. 이 연구의 목적은 교사들의 대시보드 활용경험을 탐색하여 교육현장에서 맞춤형 교육을 위한 학습분석 기반 대시보드의 활용방 안과 유용성을 탐색하는 데 있다. 연구목적 달성을 위해 교사 10명의 학습분석 기반 대시보드 활용 경험을 수집 분석하였다. 사례연구를 채택한 이 연구는 대시보드 활용 전과 후의 교사 피드백 내용 을 비교 분석하고 교사의 대시보드 활용 경험을 면담하는 방식으로 수행되었다. 연구 결과, 맞춤형 교육을 위한 대시보드 활용방법으로 맞춤형 피드백을 통한 차별화된 처방 제공과 학습데이터에 기 반한 객관적이고 명확한 피드백 제공이 확인되었다. 맞춤형 교육을 위한 대시보드 활용의 유용성에 대한 교사 인식으로 원격수업 상황에서 관찰이 어려운 학생의 학습행동에 대한 이해, 맞춤형 교육 제공을 위해 요구되는 교사의 업무 경감, 그리고 학습자의 학습과정에 대한 자기 이해 촉진 및 만 족도 향상이 확인되었다. 이와 같은 연구 결과는 맞춤형 교육을 위한 교사의 학습분석 기반 대시보 드 활용방안을 제시할 뿐만 아니라 학습분석 활용에 대한 방향을 제안한다.

The development of technology that can be used in education and the acceleration of digital transformation through COVID-19 are promoting the use of technology in education called Edutech. Learning analytics is one of the edutech that is increasing in need and importance for its use in the field of education. Learning analytics, which collects and analyzes learning data produced by students and provides personalized feedback, is drawing an attention as a way to provide customized education. However, despite the emphasis on the use of learning analytics, it is hard to find studies that deal with the actual use of learning analytics in educational contexts. The purpose of this study is to explore teachers' experiences of using dashboard based on learning analytics to explore the utility and its utilization plan of learning analytics for customized education. This case study was conducted by comparing and analyzing the teacher's feedback before and after using the dashboard and interviewing the teacher's experience using the dashboard. As a result of the study, it was confirmed that differentiated prescriptions through customized feedback and objective and clear feedback based on learning data were provided as a method of utilizing dashboards for customized education. Regarding the usefulness of using dashboard for customized education, teachers recognized that dashboard is useful for promoting understanding of students' learning behaviors in online learning, reducing teachers' work required to provide customized education, promoting learners' self-understanding of learning processes, and improving satisfaction. The research results not only suggest ways to utilize the learning analysis-based dashboard of teachers for customized education, but also suggest directions for the use of learning analytics in the field of education.

본 연구는 초등학생의 사회정서학습(SEL) 역량 강화를 위해 생성형 AI 기반 챗봇 ‘셀리(Selly)’를 설계하고 구 현하였다. 셀리는 학생이 자신의 감정을 자유롭게 표현하고 AI로부터 즉각적이며 개인화된 정서적 피드백을 받 을 수 있도록 설계되었다. 또한 종이 기반 SEL 활동지와 병행하여 전통적 수업 환경과 디지털 기반 학습 환경 의 장점을 모두 살릴 수 있도록 하였다. 연구는 초등학교 5학년을 대상으로 4주간 수업을 진행하였고, 사전과 사 후 검사에는 한국형 사회정서학습 역량 진단도구(K-SEL)를 활용하였으며, 챗봇 대화 로그와 성찰지, 교사 관찰 기록을 분석 자료로 삼았다. 연구 결과, 챗봇 활용 집단은 자기관리, 사회적 인식, 관계기술 영역에서 통계적으로 유의미한 향상을 보였고, 정서표현과 자기성찰의 질적 발전도 확인되었다. 이러한 결과는 AI 기반 SEL 프로그 램이 초등교육 현장에 효과적으로 적용될 수 있음을 시사한다.

This study designed and implemented ‘Selly’, a generative AI-based chatbot aimed at enhancing social-emotional learning (SEL) competencies among elementary school students. Selly was developed to allow students to freely express their emotions and receive immediate, personalized emotional feedback from AI. The chatbot was also integrated with paper-based SEL activity sheets, thereby combining the advantages of traditional classroom settings with those of digital learning environments. The intervention was conducted over four weeks with fifth-grade students. The Korean Social-Emotional Learning Competency Diagnostic Tool (K-SEL) was used for pre- and post-tests, while chatbot conversation logs, student reflection journals, and teacher observation records were analyzed as supplementary data. The results indicated that the group utilizing the chatbot demonstrated statistically significant improvements in self-management, social awareness, and relationship skills. Moreover, qualitative analysis revealed advancements in emotional expression and self-reflection. These findings suggest that AI-driven SEL programs can be effectively applied in elementary education settings.

MOOC의 높은 중도 탈락 문제가 대두됨에 따라서 본 연구는 이를 예측하는 머신러닝 기반의 시간 분할 검증을 적용한 예측모델을 개발하고자 하였다. 이를 위해 edX의 학습 데이터를 사용하여 시간 분할 설계(temporal split design)를 통해 2023년 학습 데이터(N=1,601)로 모델을 훈련하고, 2024년 학습 데이터(N=1,827)로 검증하였다. 모델 평가는 로지스틱 회귀 분석과 랜덤 포레스트 기법을 사용하였다. 탐색적 분석 결과, 학습 중후반기의 퀴즈 수행도 가 가장 중요한 예측 변수로 나타났으며, 데이터 분포가 다른 환경에서도 중도 이탈의 초기 징후를 효과적으로 탐 지하는 것으로 확인되었다. 각 변수의 기여도를 시각화하기 위해 SHAP 분석을 수행한 결과, 퀴즈 응답의 지속성 이 중도 이탈 예측에 가장 중요한 요소로 확인되었다. 이 결과는 검증된 예측 모델을 활용한 조기 경보 시스템이 실제 교육 현장에서 효과적으로 구현될 수 있음을 보여준다.

With the increasing concern over high dropout rates in massive open online courses (MOOCs), the present study endeavored to develop a machine learning–based time-series prediction model to forecast learner attrition. The model was trained on the 2023 dataset (N=1,601) and validated on the 2024 dataset (N=1,827) through a temporal split design, with the utilization of learning log data from edX. The performance of the model was evaluated using logistic regression and random forest techniques. Exploratory analyses revealed that quiz performance during the mid-to-late stages of the course was the most significant predictor of dropout, and the model effectively detected early signs of attrition even in environments with different data distributions. To visualize the contribution of each variable, SHAP analysis was conducted, confirming that the consistency of quiz completion was the most influential factor in predicting dropout. These results demonstrate the efficacy of implementing an early warning system based on a validated prediction model in real educational settings.

디지털 교육 환경의 확산 속에서, 교육적 의사결정에 데이터를 기반으로 접근하려는 요구가 증가하고 있다. 그러나 현재까지의 데이 터 기반 의사결정(Data-Driven Decision Making, DDDM)에 관한 논의는 기술 중심적 활용에 집중되어 있으며, 교육적 맥락과 해석, 윤리적 정당성의 문제는 상대적으로 간과되어 왔다. 이에 본 연구는 교육 분야에서의 DDDM 개념을 이론적으로 재구성하고, 구성 요 소 및 실천 유형, 개념적 쟁점을 도출함으로써 교육적 실천에 적합한 개념틀을 제시하고자 하였다. 연구 방법으로는 국내외 주요 문헌 에 대한 분석을 바탕으로 DDDM의 정의와 진화 과정을 고찰하고, 데이터 유형, 주체, 목적, 수준, 해석 방식 등의 요소를 중심으로 구성 요소를 도출하였다. 이 요소들을 통해 기술 중심형, 교사 중심형, 윤리 중심형, 혼합형의 네 가지 실천 유형을 이론적으로 유형화하였으 며, 기술주의적 접근의 환원성, 교육 가치의 수치화 가능성, 데이터 윤리와 수용성 등의 개념적 쟁점을 비판적으로 분석하였다. 본 연구 의 결과는 DDDM이 단지 분석 기법이 아니라, 교육적 맥락 속에서 윤리적 판단과 해석이 통합되는 실천적 구조임을 강조하였으며, 이 를 통해 DDDM의 기술 중심적 논의에서 벗어나 인간 중심의 교육 가치와 해석적 실천을 아우르는 개념적 토대를 제공하였다. 향후 DDDM이 단순한 기능적 도구를 넘어 윤리적·전문적·공공적 교육 실천을 통해 결국 교육의 본질적 목적에 기여하게 될 것이다.

As digital education environments continue to expand, there is a growing demand for data-informed approaches to educational decision making. However, existing discourse on Data-Driven Decision Making (DDDM) has predominantly focused on its technical applications, while educational context, interpretive reasoning, and ethical legitimacy have remained relatively underexplored. This study seeks to theoretically reconstruct the concept of DDDM within the field of education by identifying its key components, classifying its practical typologies, and critically examining its conceptual tensions in order to propose a framework appropriate for educational practice. Drawing on an extensive review of domestic and international literature, the study investigates the definitional evolution of DDDM and derives core components such as data types, agents, purposes, levels, and interpretive modes. Based on these elements, the study develops a typology consisting of four theoretical models: the technology-centered type, the teacher-driven type, the ethics-oriented type, and the hybrid type. In addition, the study critically analyzes conceptual issues surrounding DDDM, including the reductionism of technocentric approaches, the risks of quantifying educational values, and the challenges of data ethics and public trust. The findings highlight that DDDM should not be seen merely as an analytical tool, but rather as a practical structure that integrates ethical reasoning and interpretive judgment within educational contexts. By repositioning DDDM beyond a technocratic framework, this research provides a conceptual foundation for a human- centered approach to data use that respects educational values and pedagogical agency. It is anticipated that DDDM, when enacted as an ethical, professional, and public educational practice, will ultimately contribute to the fundamental aims of education itself.

최근 기계학습과 이를 지원하는 인프라의 발달로 인해 고성능의 예측을 보다 조기에 실행함으로써 조기 개입을 통한 효과성 증대 가 기대되고 있다. 그러나 여전히 다양한 신규 기술을 활용한 예측 모델 개발과 실제 교육 환경에의 적용 노력이 필요하다. 본 연구 에서는 실제 교육 데이터를 활용하여 분류 모델을 생성하고, XAI 기법을 적용해 대학생의 학업성취도 예측 및 영향요인을 분석한 다. GBM, Random Forest, GLM, FNN, Stacked Ensemble 등 5가지 모델은 H2O AutoML을 통해 자동 하이퍼파라미터 튜닝을 거쳤으 며, 최종 분류 모델은 95% 이상의 높은 AUCPR을 나타냈다. 이후 가장 높은 성능의 모델을 선택하여 순열 중요도, ALE, SHAP, iBreakdown 등 다양한 XAI 기법을 적용해 생성된 모델을 해석했다. 설명을 위해 단일 기법을 적용한 기존 연구들과는 달리 본 연구 는 교육 분야에서 발생하는 각기 다른 요구들에 대응할 수 있도록 다양한 XAI 기법을 적용하고 그 활용방안을 제시한다는 점에서 실용적인 중요성을 갖는다.

Recent advances in machine learning and its infrastructure have raised expectations for improving effectiveness through early intervention from accurate predictions. However, further efforts are needed to develop predictive models using new techniques and applying them in real educational settings. This study involves creating various classification models, assessing their performance, and selecting the best model for applying Explainable Artificial Intelligence (XAI) techniques, to aid understanding and use in educational contexts. Five models including GBM, Random Forest, GLM, FNN, and Stacked Ensemble are created, all fine-tuned using H2O AutoML. The best model achieved an impressive AUCPR of over 95%. Based on the best model, we applied various XAI techniques such as Permutation Importance, ALE, SHAP, and iBreakdown. This study has practical significance in that it applies various XAI techniques and suggests ways to utilize them to respond to different needs arising in the field of education.

학령인구 감소, 4차 산업혁명, COVID-19 등으로 인해 교육은 개인학습에서 네트워크 학습, 지 식 소비자에서 지식 프로슈머, 개별화 학습에서 개인화 학습, 공식 학습에서 비공식 학습, 그리고 개 별지성에서 집단지성으로 빠르게 변화하고 있다. 이처럼 교육에 대한 전통적 개념과 가치가 변화하면 서 많은 교육 기관들은 데이터 기반의 학습분석과 학생성공에 주목하고 있다. 학습분석은 빅데이터를 기반으로 형성된 개념으로 학습과 학습이 일어나는 환경에 대한 이해 및 최적화를 목적으로 한다. 또 한 학생성공은 국가적·지역적 차이가 있지만, 모든 교육기관의 최우선 과제이다. 본 논문에서는 학생 성공을 지원하는 학습분석 기반의 교육지원서비스 아키텍처를 설계하였다. 이를 위해 학습분석을 기 반으로 개인이나 그룹에 대한 데이터를 분석하는 마이크로 수준, 학과나 단과대학의 데이터를 분석하 는 메조 수준과 학교 전체 데이터를 분석하는 매크로 수준별 융합 프로세스에 따른 분석기법을 제안 하고, 학생이 성공을 경험할 수 있도록 학생 특성, 교내외 활동과 학습 수준에 따라 실질적이고 체계 적인 교육 서비스와 콘텐츠를 제공할 수 있는 아키텍처를 설계하였다. 그리고 설계된 아키텍처를 기 반으로 데이터 기반으로 학생특성과 학습 수준을 분석하여 학생이 성공을 경험할 수 있도록 하는 학 생 맞춤형 학교생활 교과 및 경험 로드맵 서비스를 확인할 수 있었다.

Education is rapidly changing from individual learning to network learning, from knowledge consumer to knowledge prosumer, from individualized learning to personalized learning, from formal learning to informal learning, and from individual to collective intelligence due to the declining school-age population, the 4th industrial revolution and COVID-19, etc. As traditional concepts and values o f education change, many educational institutions have received attention for data-based learning analysis and student success. Learning analysis is a concept formed based on big data and aims to understand and optimize the learning and learning envi-ronment. In addition, student success is a top priority for all educational institutions, despite national and regional differences. In this paper, we designed an educational support service architecture based on learning analysis that supports student success. Based on learning analysis, we proposed an analysis technique according to the convergence process by Micro-level, Meso-level and Macro-level, and designed an architecture that can provide practical and systematic educational services and contents so that students can experience success.

인공지능이 주축이 된 제4차 산업혁명이 진행되고 있다. 이러한 산업부문의 제4차 산업혁명은 교육부문에도 영향을 주고 있다. 최근에 인공지능 기술을 교육에 적용 응용시키는 움직임이 있다. 이를 ｢교육 4.0｣이라고 부르고 있다. 본 연구에서는 이러한 변화를 단순한 인공지능기술의 적용이라고 보지 않으며, 이는 교육패러다임을 변화시키는 것이라고 해석한다. 왜냐하면, 인공지능 기술 은 인공지능 기술단독으로 성립하지 않으며 블록체인, 사물인터넷 등 다양한 기반 기술이 기술생태계를 이루어 발전하기 때문이다. 본 연구는 이러한 움직임 을 살펴보고자 한다. 그 결과 인공지능은 기계학습, 학습분석학, 교육데이터마 이닝 등 새롭게 발전하고 있다. 이러한 발전은 교육 분야에서 채점, 튜터, 학습 자의 육체상태를 고려한 진도의 조절 등 직접적으로 교수분야에서 큰 변화를 초래하고 있고, 학사행정 등 여러 분야에서 다양하게 사용되고 있음을 보여주고 있다.

In recent times, education 4.0 emerges indicating the paradigm shift occurs in the area of education at the early stage of 21st century. Education 4.0 is originated from an ecosystem that is consisted of a couple of technologies, such as educational data mining, learning analytics, machine learning, Internet of Things(IoT), and cloud computing. With the help of those technologies, intelligent tutoring system and other variants of ITS emerges. Historically, artificial intelligence has been applied to the area of education. For a couple of decades, AIED has evolved in the form of computer aided education and intelligent tutoring system(ITS). In recent times, ITS begins to generate diverse kinds of new versions of ITS, including emotional intelligent tutoring system, cultural awareness model, and game-based model. However, education 4.0 has a couple of limitations. First, education 4.0 has the possibility of discouraging the element of creativeness of human being. Second, educational 4.0 may deprive freedom of learning from students within a learning environment.

본 연구는 인공지능(AI) 기반의 학습 플랫폼 도입 등 급변하는 교육 환경 속에서 초등 교사의 학습분석역량 (Learning Analytics Competency, LAC)을 제고하기 위한 교사 연수의 질적 결정요인을 탐색하는 데 목적이 있 다. 이를 위해 전국의 초등 교사 156명을 대상으로 설문 조사를 실시하였으며, 수집된 데이터는 위계적 회귀분석 을 통해 분석하였다. 연구 결과, 첫째, 연수 이수 시간과 같은 양적 요인은 LAC에 제한적인 영향만을 미쳤으며, 다른 배경 변인이 통제될 경우 그 유의성이 사라졌다. 둘째, 연수의 질적 인식 요인인 '현장 적용성'과 교사의 연 수 후 '자기효능감'은 LAC의 가장 강력한 예측 변인으로 나타났다. 셋째, LAC의 하위 영역별로 영향을 미치는 요 인이 상이함을 확인하였다. 본 연구는 교사 연수의 효과성을 높이기 위해서는 물리적인 연수시간의 확대보다, 교 사가 현장에서 즉시 적용 가능한 실효성, 적용성, 유용성, 효과성이 높은 콘텐츠 제공과 효능감 증진을 위한 정의 적 지원이 필수적임을 시사한다.

This study aims to explore the quality determinants of teacher professional development(PD) designed to enhance elementary teachers' Learning Analytics Competency(LAC) in the context of the rapidly changing educational environment. To achieve this, a survey was conducted with 156 elementary school teachers nationwide, and the collected data were analyzed using hierarchical regression analysis. The results revealed that qualitative factors - specifically 'applicability' and 'self-efficacy' - are significantly stronger predictors of LAC than quantitative factors like training hours. The findings also confirmed that the factors influencing LAC varied across its sub-domains (Interpretation, Implementation, Communication, and Pedagogy). These results suggest that, to effectively enhance teachers' learning analytics competency, PD policies must prioritize practical relevance and affective support to foster self-efficacy rather than merely expanding physical training hours.

Moving learning analytics from the research labs to the classrooms, lecture halls, and digital learning spaces requires data sharing. Routine production and consumption of data is no limited to controlled settings as data can be sourced from an increasing diversity of data points and combined or aggregated from these sources within and often beyond the institution. This scaling up of learning analytics raises a host of questions on behalf of the data subjects and therefore informs requirements for design of new solutions and practices. This paper analyses a corpus of more than 250 questions gathered by a European project that organized international workshops and facilitated community exchange. It explores how these questions could inform both the problem space of data sharing and the solution space yet to be fully scoped by research and development within this emerging field. The analysis shows that the discourse on data sharing and big data for education is still at an early stage. Conceptual issues dominate this discourse; however, the elicited questions also hold numerous challenges for technical development and implementation. In concluding we propose a short inventory of what the emerging solution space may entail and suggest a path for further work.

Recently, in computer vision behavior recognition is an active research area that plays a significant role in smart cities for crime prevention and urban safety. However, without base knowledge of Artificial Intelligence (AI) designing an efficient model is very difficult because we need data and programing skills for implementing the system. To tackle this problem, we designed and implemented a system that allows a user having no professional knowledge to easily and conveniently create a deep learning model. The interface of this system consists of Data Selection, Model Training and Testing, and Model Parameter values according to domains and categories. In addition, we designed a function to check the test results for the model selected by the user. This system allows users to quickly and easily create and test models.

본 연구는 디자인 씽킹 기반의 공동 설계 접근을 통해 공유대학 교수-학습 플랫폼을 위한 인간 중심 학습분석 지표를 설계하는 것을 목표로 하였다. 2022년 12월부터 2023년 2월까지 G 공유대학의 학생, 교수자, 관리자 등 주 요 이해관계자가 참여하여 디자인 씽킹의 '공감', '문제 정의 및 아이디에이션', '프로토타입 개발', '테스트' 단계 를 수행하였다. 이해관계자 인터뷰와 공동 설계 워크숍을 통해 학습자의 요구와 문제점을 분석하고, 학업 여정을 시각화하여 해결방안을 도출하였다. 이후 교육공학 및 학습분석 전문가와 함께 대시보드 프로토타입을 개발하고, 타당성 검증을 통해 학생용, 교수자용, 관리자용 지표 전반에서 높은 수준의 타당도를 확보하였다. 연구 결과, 인간 중심 학습분석 설계가 의미 있는 지표 개발에 효과적임을 확인하였으며, 디자인 씽킹이 사용자 맞춤형 학습 지원 시스템 설계에 유용한 방법론임을 확인하였다. 이러한 결과는 공유대학 맥락에서 사용자 중심 학습 지원 시스템 설계에 기초 자료를 제공함과 동시에 인간 중심 학습분석의 이론적 및 실천적 확장에 기여하였다.

This paper aimed to design human-centered learning analytics (HCLA) indicators for a shared university teaching and learning platform using a design thinking-based co-design approach. . From December 2022 to February 2023, key stakeholders—including students, instructors, and administrators from G University—participated in the research, progressing through the stages of empathize, define, ideate, prototype, and test. Through stakeholder interviews and co-design workshops, students' needs and challenges were analyzed, their academic journeys were visualized, and effective solutions were developed. In collaboration with experts in educational technology and learning analytics, a dashboard prototype was created and validated, achieving high validity across indicators for students, instructors, and administrators. The findings confirm that HCLA effectively develops meaningful indicators and that design thinking is useful for creating user-centered support systems. These results provide essential data for designing user-centered systems within shared universities and advance human-centered learning analytics.

본 연구는 인간 중심 학습분석학을 실현하기 위한 공동 설계 과정을 구체적으로 기술하는 데 그 목적이 있다. 연구방법으로서 사례 연구 방법을 적용하였으며, 학습분석학을 초중등 교수·학습 상황에 적용하기 위한 학습설계 안과 각 항목에 따른 대시보드 등의 프로토타입 도출 과정을 상세히 밝혔다. 공동 설계 과정에 참여한 학습 엔지 니어링 팀은 6명의 교육현장 전문가, 2명의 교육행정가, 5명의 연구자, 3명의 기술자로 총 16명이다. 공동 설계 과 정은 함께 이해하기, 함께 생산하기(1차), 함께 적용하기, 함께 생산하기(2차)의 과정을 거쳤다. 함께 이해하기 단 계에서는 문헌 연구와 공동 설계 워크숍을 통해 학습 엔지니어링 팀 구성원의 요구와 기대를 확인하고 조율하였 다. 함께 생산하기(1차) 단계에서는 공동 설계 워크숍을 통해 학습분석학을 위한 학습설계안의 기초가 될 학습 시 나리오를 개발하였다. 함께 적용하기 단계에서는 학교 교육 현장에 적용하고 그 결과를 분석하였다. 마지막으로 함께 생산하기(2차) 단계에서는 학습분석학을 위한 학습설계안과 각 실행장면별 대시보드의 프로토타입을 개발하 였다. 이를 바탕으로 인간 중심 학습분석학의 실천을 위한 시사점을 논의하였다.

This study aims to specifically describe a co-design procedure for implementing human-centered learning analytics using the case study approach. Learning design and digital learning tools including dashboard for learning analytics were developed for teaching and learning settings in elementary and secondary schools. The learning engineering team that participated in the co-design process was comprised of six educational field experts, two educational administrators, five researchers, and three technicians. The co-design procedure included (1) Understanding Together, (2) Creating Together (Phase 1), (3) Applying Together, and (4) Creating Together (Phase 2). In the first phase, the needs and expectations of the learning engineering team members were identified and aligned through literature review and a co-design workshop. In the second phase, a co-design workshop was conducted to build learning scenarios that would serve as the foundation for learning design recommendations for learning analytics. In the third phase, the scenarios were implemented in a classroom context and the results of the implementation were examined. Lesson plans and learning tools for learning analytics were prototyped during the final phase. The implications of these findings for human-centered learning analytics practice were discussed.

최근 인공지능을 구현하기 위한 기술들이 보편화되면서 특히, 기계 학습이 폭넓게 사용되고 있다. 기계 학습은 대량 의 데이터를 수집하고 일괄적으로 처리하며 최종 조치를 취할 수 있는 통찰력을 제공하나, 작업의 효과가 즉시 학습 과정에 통합되지는 않는다. 본 연구에서는 비즈니스의 큰 이슈로서 실시간 데이터 분석의 성능을 개선하기 위한 적응형 학습 모델 을 제안하였다. 적응형 학습은 데이터세트의 복잡성에 적응하여 앙상블을 생성하고 알고리즘은 샘플링 할 최적의 데이터 포인트를 결정하는데 필요한 데이터를 사용한다. 6개의 표준 데이터세트를 대상으로 한 실험에서 적응형 학습 모델은 학습 시간과 정확도에서 분류를 위한 단순 기계 학습 모델보다 성능이 우수하였다. 특히 서포트 벡터 머신은 모든 앙상블의 후단 에서 우수한 성능을 보였다. 적응형 학습 모델은 시간이 지남에 따라 다양한 매개변수들의 변화에 대한 추론을 적응적으로 업데이트가 필요한 문제에 폭넓게 적용될 수 있을 것으로 기대한다.

Recently, as technologies for realizing artificial intelligence have become more common, machine learning is widely used. Machine learning provides insight into collecting large amounts of data, batch processing, and taking final action, but the effects of the work are not immediately integrated into the learning process. In this paper proposed an adaptive learning model to improve the performance of real-time stream analysis as a big business issue. Adaptive learning generates the ensemble by adapting to the complexity of the data set, and the algorithm uses the data needed to determine the optimal data point to sample. In an experiment for six standard data sets, the adaptive learning model outperformed the simple machine learning model for classification at the learning time and accuracy. In particular, the support vector machine showed excellent performance at the end of all ensembles. Adaptive learning is expected to be applicable to a wide range of problems that need to be adaptively updated in the inference of changes in various parameters over time.

This study proposes the G-SLASH (Global Senior Learning Automated Smart Hub) model, an AI- and IoTbased automated recording framework for senior learning, addressing design, operational strategies, and policy implications. The model non-invasively captures daily activities of older adults and transforms them into global learning content through AI-based automated editing, summarization, and translation, while a central platform provides learning analytics and personalized feedback. The core architecture consists of five modules: automated recording, AI content generation, learning analytics, central platform and sharing, and governance. Operational scenarios encompass various living environments, rural and community activities, and instructor-led courses, minimizing technological burden and promoting sustained learning engagement. This study suggests that the G-SLASH model can enhance educational participation, social inclusion, policy feasibility, and cultural and economic impact. Additionally, it facilitates efficient use of resources in local universities and municipalities, activates global peer learning, and integrates lifelong learning policies with digital education strategies. This study offers a practical and policy-oriented foundation for digital transformation and global sharing of senior lifelong learning.

In this paper, we present LogiIQ, a VR-based logistics training platform designed to support repetitive learning and self-directed training to address the growing demand for skilled logistics personnel due to increasing industrial automation. We built LogiIQ on a Unity-based WebGL 3D environment to simulate the operation of key logistics equipment—robotic arms, AGVs, and forklifts. Furthermore, we implemented a system for continuous tracking of individual progress based on learning history by integrating a React and Spring Boot-based web dashboard to collect and visualize learner’s performance data in real time. In a pilot study involving novice users, we confirmed that average scores across all modules nearly doubled while the standard deviation decreased, thereby demonstrating that LogiIQ is effective in enhancing learner proficiency and reducing skill gaps among learners. By organically combining simulation, data analytics, and adaptive feedback, we have established a self-directed, data-driven learning environment that goes beyond simple virtual training. Through this research, we aim to lay a foundation for more consistent and effective practical training in logistics education.

In today’s rapidly changing educational environment, there is an increasing demand for a flexible and repeatable system that supports the full cycle of curriculum development, operation, assessment, and continuous improvement. The widely used Plan-Do-Check-Act (PDCA) model has shown structural limitations, particularly in providing real-time feedback, agile improvement, and data-driven operations. To address these challenges, this study proposes EduOps, an educational operations model inspired by the core philosophy of DevOps. EduOps consists of six stages - Plan, Design, Deploy, Operate, Monitor, and Improve - and features a modular architecture that integrates curriculum planning, automated course delivery (CI/CD), performance monitoring, and AI-based feedback tracking. Unlike prior uses of the term “EduOps,” which largely referred to IT service or educational technology operations, this study defines EduOps as a higher-education-centered lifecycle management system that technologically unifies curriculum design, operation, and feedback in a continuous loop. A prototype implementation was developed and applied to actual courses, with effectiveness validated through both quantitative indicators (student performance, engagement metrics) and qualitative evaluations (faculty interviews, learner feedback). Results demonstrate that EduOps enhances agility and transparency in classroom operations, supports continuous outcome-based improvement, and provides a foundation for data-driven innovation. This research establishes EduOps as a distinct, replicable model for Education 4.0 and demonstrates its practical viability in higher education.

다양한 기술의 발달은 교육환경에 많은 변화를 시키고 있다. 특히 인터넷의 발달로 인한 VLEs/LMSs. MOOC, 웹과 같은 학습환경은 학습자들에게 보다 효율적으로 학습할 수 있는 환경을 제공해줄 수 있게 되었다. 이러한 학습환경에서 수집된 방대한 자료를 분석하고, 이를 통해 학습유형을 이해하고, 학습성과를 예측하며, 교수전략 개발 등을 가능하게 하는 학습분석학에 대한 관심이 높아지고 있으며, 이를 활용한 실증 연구들이 활발하게 이루어지고 있다. 하지만 국내외 학습분석학의 연구 목적, 학습분석학이 활용될 수 있는 학습환경과 적용가능한 자료분석방법에 관한 정보가 충분히 정리되어 있지 않다. 따라서 본 연구에서는 학습분석학에 관한 해외 문헌 동향을 정리하고자 하였다. 본 연구는 2013년 9월부터 2015년 8월까지 학습분석학이 적용된 해외 실증 연구 총 154편을 리뷰하였으며, Papamitsiou와 Economides(2014)의 학습분석학 문헌연구에서 사용된 연구 목적, 학습환경, 그리고 자료분석방법에 따라 세 분야에 대한 연구 동향을 분석하였다. 문헌 분석 결과 (1) 연구 목적은 학습성과예측, 교수전략 제안과 학생 행동 모델링, (2) 학습환경은 VLE/LMSs과 웹기반 교육, 그리고 (3) 자료분석방법으로는 통계 기법이 많이 활용되었다. 자료분석방법은 Text Mining과 Social Network Analysis 방법과 같이 다양한 방법이 고르게 사용되었으며, 더하여 새롭게 Bayesian Inference Network, Machine Learning 등과 같은 자료분석방법이 활용되었다. 이러한 연구 결과에 기반을 두어 국내 학습분석학 연구를 위해 시사점을 제언하였다. 국내 연구에서도 MOOC/사회적 학습, 인지적 튜터 시스템, 모바일과 같은 학습환경에서 학생 및 학생 행동 모델링 등과 같은 연구 목적과 자료분석방법을 포함한 다양한 연구와 함께 학습분석학의 새로운 개념화와 연결되는 연구가 필요하다. 또한 교육에서의 데이터 활용은 교육공학 분야에 큰 시사점을 준다. 교수설계, 교수전략, 성취도 평가와 피드백, 시각화 자료 등은 학습과정을 객관화할 수 있어 학습자 중심의 교수설계에 시사점을 준다. 최근 활성화되는 하이브리드 교수법에 대한 효과성과 자기주도성 등 교육공학의 온․오프라인 학습환경 개선 연구에 기여할 수 있을 것을 기대한다.

Advances in technology brings mcuh changes in learning environment. Especially, advances in Internet technology have created various learning settings such as LMSs/VLEs, MOOC, and Web-based learning. These newly emerging learning settings have contributed to provide more effective learning environment for learners than ever before. These learning environment enable collection of vast amount of data and analyze such data for meaningful interpretation. Recently, much attention has been paid to Learning Analytics in order to understand different learning types or learners, predict learners’ performances, and further to develop various teaching strategies under those learning settings. Although many studies on Learning Analytics have been conducted, we lack information about research objectives, learning settings, and data analysis methods used in Learning Analytics. Therefore, the purpose of this literature review of international research was to identify trends of current Learning Analytics studies in terms of research objectives, learning settings, and data analysis methods. In this research, we reviewed a total of 154 published in international articles and presentations made between September of 2013 through August of 2015. This literature review applied Papamitsiou & Economides (2014) literature review framework and methods. The research findings showed that (1) prediction of performances, recommendation of resources, and student behavior modeling were prevalent in terms of research objectives, (2) LMSs/VLEs and web-based education were prevalent in terms of learning settings, and (3) statistics was prevalent in terms of data analysis method. Specifically, various data analysis methods have been used such as Text Mining and Social Network Analysis. Interestingly, Bayesian Inference Network or Machine Learning which is not commonly used in Educational Technology was found from this literature review. We suggested several implications to improve Learning Analytics in Korea. It is necessary to conduct studies with various learning objectives, learning settings, and data analysis methods. Finally, it should lead to conceptualize Learning Analytics for Korean researchers. In addition to these conclusion, the use of data for education offer implication for researchers in the field of Korean Educational Technology. The research using Learning Analytics can provide strategies for designing hybrid learning environment, student achievements and feedback, and the visualized data could provide additional information about students’ learning process. Further researches in the area of Learning Analytics can provide important implications for those who research to improve online and offline learning environment.