초록 열기/닫기 버튼
본 연구는 인지진단모형(Cognitive Diagnosis Model)을 활용한 일반계 고등학생의 독해 평가 분석 결과를 인공신경망을 통하여 그 타당성을 검토하고, 나아가 인공신경망 모형의 머신러닝(Machine Learning)을 구현해보고자 하였다. 이를 위해 먼저, 독해 기능이나 지식과 관련한 인지요소(attribute)를 추출하여 Q-행렬(Q-Matrix)을 개발하고 이를 타당화 하였다. 이렇게 개발된 Q-행렬에 기반하여 독해 평가 도구를 제작하여 시행한 독해 평가 결과를 인지진단모형을 활용하여 비문학 독해 인지요소별 숙달(mastery) 프로파일을 추정하였다. 다음으로 실제 평가 결과(Score)와 비문학 독해 인지요소별 숙달 프로파일을 인공신경망 모형의 각각 입력값과 출력값으로 투입하여 머신러닝 과정을 실행함으로써, 인공신경망 모형이 독해 평가결과에 따라 인지요소별 숙달 프로파일을 스스로 추정하는 알고리즘을 개발하고자 하였다. 본 연구의 인공신경망 모형은 훈련데이터 평가결과에 비해 테스트 데이터 평가 결과가 약간이지만 낮은 값을 보여 완전한 머신러닝이 일어나지는 않은 것으로 나타났지만, 예측 정확도가 95%를 넘었고, 카파계수가 0.9(훌륭한 일치도)를 넘었기 때문에 훈련 데이터에 대한 과적합의 결과로 볼 수 없으므로, 머신러닝의 가능성을 제시하였다고 할 수 있다.
This study would examine the validity of the result of an analysis of the evaluation of general high school students’ reading comprehension, utilizing a cognitive diagnosis model through an artificial neural network and implement machine learning of an artificial neural network model. For this purpose, this study first extracted cognitive factors Attributes related to capability or knowledge in reading comprehension, developed Q-Matrix and validated this. This study estimated the mastery profile of each cognitive factor of the reading comprehension of non-literary texts with the result of the evaluation of reading comprehension made by producing a tool for the evaluation of reading comprehension based on the developed Q-Matrix, utilizing a cognitive diagnosis model. Next, by running a machine learning process, putting the result of the actual evaluation Score and the proficiency profile of each cognitive factor of the reading comprehension of non-literary texts into the artificial neural network model, respectively, as the input value and output value, this study would develop an algorithm in which the artificial neural network model itself estimates a proficiency profile by cognitive factor according to the result of the test of reading comprehension. In the artificial neural network model in this study, the result of the evaluation of test data was lower, though slightly than the result of the evaluation of training data, so it turned out that complete machine learning did not take place; however, since prediction accuracy exceeded 95%, and kappa coefficient exceeded 0.9 (Excellent conformity degree), it cannot be considered to be an overfitting result of training data, so it is judged that this study presented the possibility of machine learning.
키워드열기/닫기 버튼
Cognitive diagnosis model, Machine learning, Artificial neural network, Q-Matrix, Proficiency profile by cognitive factor
