<aside> 📝 Education and Information Technologies 저널 [SSCI] 투고 (2024.12)

</aside>

<aside> 📝

석사 학위논문 (2024.12)

</aside>

연구 내용

1. Introduction

• 디지털 기술과 인터넷 접근성의 발전은 교육 산업에 혁신을 가져왔으며, 특히 COVID-19 팬데믹으로 인해 온라인 교육으로의 전환이 가속화되었습니다.
• MOOC(Massive Open Online Courses)는 학습 접근성을 향상시켰지만, 높은 중도 이탈율 등 기존 교육 방식과 비교하여 여러 한계를 드러냈습니다.
• MOOC 플랫폼에서 학습자의 리뷰는 강의 개선의 중요한 피드백 역할을 하지만, 방대한 양의 리뷰를 효율적으로 분석하는 데 어려움이 있습니다.
• 본 연구는 소형 LLM과 MCDM 방법론을 결합하여 MOOC 리뷰에서 강의 개선 우선순위를 체계적으로 도출하고자 합니다.

1. Methods

• 각각의 MOOC 리뷰에서 Small LLM과 프롬프트 엔지니어링을 통해 강의 특성을 추출합니다.
• 강의 개선에 있어 중요한 몇 가지의 기준을 정의하고, 의사결정 행렬을 구성합니다.
• CRITIC 방법을 통해 기준의 가중치를 계산하고, MCDM 기법 중 TOPSIS와 CoCoSo를 통합하여 강의 개선 우선순위를 도출합니다.
• 다국어 리뷰 데이터를 분석하며, 정교한 프롬프트 엔지니어링 기법을 적용해 소형 LLM의 성능을 최적화합니다.
• 분석 과정은 효율성과 정확성 간의 균형을 유지하며, 데이터 중심의 의사결정 프레임워크를 제공합니다.

1. Experiments

• Coursera의 MOOC 리뷰 데이터를 수집해 주요 강의 특성을 도출한 후, 각 특성에 대한 리뷰 빈도, 길이, 감정 점수 등의 기준값을 계산하여 의사결정 매트릭스를 구성했습니다.
• CRITIC, TOPSIS, CoCoSo를 통해 강의 개선 우선순위를 도출하였으며, 다수의 소형 LLM 모델의 성능을 비교했습니다.