본 연구는 중학교 2학년 461명의 온라인 학습 로그 데이터에서 수학 이해도의 변화 궤적을 분석하고, 학습자 유형을 도출하여 군집 간 특성을 비교하였다. 연구 대상은 2020년 4월부터 6월까지 ‘일차부등식과 연립일차방정식’에 응시한 데이터이며, 동적 시간 워핑 거리 기반 K-means 군집분석을 적용하였다. 분석 결과, 네 가지 학습자 군집이 도출되었다. 군집 1은 전반적으로 낮은 성취와 짧은 응답시간을 보이는 저성취 집단, 군집 2는 높은 성취와 성실한 참여를 보이는 안정적 고성취 집단, 군집 3은 중간 수준에서 점차 하락하는 집단, 군집 4는 중하 수준에서 급격히 하락하는 집단이다. 군집 2는 풀이 문항 수, 응시 일수, 응답 시간 모두 가장 높았던 반면, 군집 1은 미참여 행동에 가까운 특성을 보였다. 성취 수준이 가장 낮은 군집 1과 4에서 남학생의 비율이 높았고, 전체적으로 1. 부등식의 해와 4. 연립일차방정식 단원에서 정답률이 가장 낮아 새로운 개념을 익힐 때 학습 부담이 크다는 점을 확인하였다. 이러한 결과는 온라인 학습 로그 데이터가 학습자의 실제 행동과 성취 수준의 관련성을 정밀하게 확인할 수 있는 근거를 제공하며, 시간에 따른 변화를 바탕으로 성취 수준이 하락하는 집단을 조기에 식별하고 맞춤형 학습 지원 전략을 설계할 필요성을 보여준다.
This study analyzed the trajectories of mathematical comprehension among 461 eighth-grade students using online learning log data, identified distinct learner types, and compared their characteristics across clusters. The data was collected from students who studied the topic “Linear Inequalities and Systems of Linear Equations” between April and June 2020, and Dynamic Time Warping (DTW) based K-means clustering was applied. The analysis yielded four learner clusters. Cluster 1 represented a Low-Level group characterized by consistently low achievement and short response times; Cluster 2, labeled the Stable High group, showed high achievement and sustained engagement; Cluster 3, the Gradually Declining Mid group, exhibited a gradual downward trend from a moderate level; and Cluster 4, the Rapidly Declining Lower-Mid group, demonstrated a sharp decline from a lower-mid level. Cluster 2 recorded the highest number of solved items, test-taking days, and response times, whereas Cluster 1 displayed features resembling skipping behavior. A higher proportion of male students was observed in Clusters 1 and 4, both of which also demonstrated the lowest achievement levels. Across all groups, the lowest accuracy rates appeared in Chapter 1 (Solutions to Inequalities) and 4 (Systems of Two Linear Equations in Two Variables), indicating that students experienced greater cognitive burden when acquiring new concepts. These findings provide evidence that online learning log data can precisely capture the relationship between learner behavior and achievement, and underscore the importance of identifying declining-achievement groups at an early stage to design targeted learning support strategies.
Ⅰ. Introduction Ⅱ. Literature Review Ⅲ. Methods Ⅳ. Results Ⅴ. Conclusion References
