살기 위해(?) 공부했던 지식 공간과 문항반응이론

오늘은 기술적인 부분보다는 내가 살기 위해(?) 공부했었던 이론을 한번 정리해 보려고 한다. 이유는 간단하다. 다년간 다양한 산업 분야에서 일을 하면서 제일 뼈저리게 느꼈던 한가지가 바로 나만이 잘 알고 있는 산업 분야가 없었기 때문이다.

5년차 이상이 되면 개발자에게 필요한 가장 중요한 요소는 개발적인 스킬과 본인이 경험했던 산업 분야의 해박한 지식이다. 이는 이직 시 동종 분야로 가라는 앞선 선배들의 이야기와 일맥 상통하다. 그만큼 현장에서는 기술 스킬과 업무 경험을 중요하게 보며, 동일한 기술 스킬을 가지고 있으면, 결국 최종으로 뽑히는 것은 동종 업무 경험을 더 쳐줄수 밖에 없다.

나의 경우는 소위 말해 뿌리 박혀 일한 산업 분야가 없다보니 이제는 한 분야에 자리잡기 위해 입사하자마자 살기 위해서 공부를 했던것 같다.
(이 자산이 후에 동종 업계 이직시 엄청난 도움을 주기도 했다.)

서론이 길었다. 내가 정리한 내용을 최대한 이해하기 쉽게 정리해 보았다.

Knowledge Space(지식 공간)

• 학습자가 학습 가능한 지식 상태를 설명하는 조합 구조
• 지식 공간을 형성하기 위해 지식 개념을 집합으로 모델링 하고, 실현 가능한 지식 상태를 집합의 하위 집합으로 모델링함
• 이를 통해 학습자가 알고 있는 것, 학습자가 알아야 할 것을 파악 할 수 있으며, 학습자의 지식상태와 부모-자식 개념간의 우선순위에 따라 학습 해야할 것을 결정

Knowledge Map(지식맵)

• Knowledge Space를 근간으로 지식 상태를 시각화한 것
• 학습자가 학습하는 과목에 따라 부모-자식 지식 개념을 정의하기 때문에, 학습을 설계하는 관련 전공자의 역량이 중요함
• 부모-자식에 대한 지식 개념을 정의할 때 자식 지식 개념간의 우선순위를 정의하고, 이들간의 비중도를 부모-자식 또는 부모-부모 관계에서 수치화하여 학습자의 학습 역량에 따라 개인화된 맞춤형 학습을 제공해 줄 수 있음
• 학습자의 학습 역량을 정량화 하기 위해서는 고전검사이론 또는 문항반응이론 등을 통해 정량화한다.

고전검사이론 vs 문항반응이론

• 문항마다 정량화된 수치를 부여하여 검사 총점을 계산하여 학습자의 학습 역량을 분석 vs 문항 하나마다 정의되어 있는 특성을 분석하여 학습자의 학습 역량을 분석
• 문항의 난이도에 따라 수치를 계산 vs 문항에 부여되어 있는 난이도, 변별도, 추측도 등을 기반으로 수치를 계산
• 문항계산에 필요한 공식 또는 알고리즘의난이도가 낮음 vs 문항 계산에 필요한 공식 또는 알고리즘의 난이도가 상대적으로 높음(대표적으로 사용하는 공식 :Logistic regression(로지스틱 회귀)
• 문항반응이론보다 쉽게 정량화가 가능 vs 문항의 특성을 정량화하기 위하여 지식맵 같은 정량화된 지식 공간이 필요하기 때문에 문항반응이론보다 정량화 하기 어려움

Logistic regression

• 독립적으로 정의되어 있는 변수를 선형 결합을 이용하여 학습 가능성을 예측하는 통계 기법
• 변수의 입력값에 따라서 정의되어 있는 결과의 방향성을 결정하는 방식이기 때문에 분류 기법으로 설명하기도 함
• 교육학에서는 문항반응이론을 통한 다양한 예측 방법 중 Logistic regression을 주로 사용하며, 데이터의 성향과 특성에 따라 아래의 방법 중 하나를 적용한다.
  1. 순서형
  2. 다향형
  3. 혼합형