Personalizing Mathematical Game-based Learning for Children: A Preliminary Study

제공된 논문 "Personalizing Mathematical Game-based Learning for Children: A Preliminary Study (어린이를 위한 수학 기반 게임 학습의 개인화: 예비 연구)"에 대한 상세한 기술적 요약입니다.

1. 연구 배경 및 문제 정의 (Problem)

• 수학 기반 학습 (GBL) 의 한계: 게임 기반 학습은 학생들의 참여도와 비판적 사고를 향상시키지만, 학습 효과를 극대화하기 위해서는 학습자의 능력에 맞는 적절한 난이도의 게임 레벨이 제공되어야 합니다.
• 내재적 동기 부여의 어려움: 수학 개념을 게임 메커니즘에 자연스럽게 통합한 '내재적 교육용 게임 (Intrinsically integrated educational games)'을 제작하려면 전문 디자이너의 많은 시간과 노력이 필요합니다.
• 사용자 생성 콘텐츠 (UGC) 의 관리 문제: '크리에이티브 모드 (Creative Mode)'와 같은 도구를 통해 플레이어들이 직접 게임 레벨을 제작할 수 있게 되면, 수천 개의 레벨을 전문가가 수동으로 검토하여 적합한 것만 선별하는 것은 비현실적입니다.
• 개인화 부재: 기존 연구는 학습자 성과 예측에 머신러닝을 적용했으나, 플레이어가 생성한 게임 레벨을 머신러닝 모델로 필터링하고 학습자의 능력에 맞는 개인화된 레벨을 추천하는 연구는 부족했습니다.

2. 방법론 (Methodology)

2.1 데이터셋 구성

• 출처: 2024~2025 년에 수집된 수학 게임 앱의 '크리에이티브 모드' 데이터.
• 규모: 총 206 개의 고유한 게임 레벨 (전문가 설계 86 개, 플레이어 생성 120 개).
• 레이블링: 플레이어 생성 레벨 중 44 개는 전문가가 검증하여 공유 가능한 것으로 선정되었고, 나머지는 제외되었습니다.
• 특성 추출: 각 레벨의 JSON 파일에서 25 개의 기능 개수 (counts) 와 12 개의 연관 값 (values) 을 추출하여 총 61 개의 변수를 도출했습니다.

2.2 변수 그룹화 (Feature Engineering)

추출된 61 개 변수는 다음 4 가지 그룹으로 분류되었습니다 (Table 1 참조):

1. 플레이어 캐릭터 (Player Character): 캐릭터 유형 및 값.
2. 목표 (Goal): 게임의 완료 조건.
3. 물리 객체 (Physics Objects): 아이스 블록, 용암 블록, 버블, 플랫폼 등 (캐릭터 값과 연산되는 객체).
4. 장애물 (Obstacles): 구름, 문, 깨지는 벽 등 이동 방해 요소.

2.3 데이터 전처리 및 분석 파이프라인

1. 데이터 구조화: 레벨별 변수 값을 추출하여 구조화된 데이터셋으로 저장.
2. 결측치 처리: 결측값을 '결측'으로 재부호화.
3. 특성 선택: Lasso 회귀 분석을 사용하여 데이터 차원을 축소하고 예측 정확도 및 해석 가능성을 높임.
4. 모델 학습 및 평가: 4 가지 머신러닝 분류 모델을 적용하여 최적 모델 선정.
   • 사용된 모델: K-최근접 이웃 (KNN), 결정 트리 (DT), 서포트 벡터 머신 (SVM), 랜덤 포레스트 (RF).
   • 평가 방법: **중첩 교차 검증 (Nested Cross-validation)**을 사용하여 평가 편향을 최소화하고 과적합을 방지.

3. 주요 결과 (Key Results)

3.1 모델 성능 비교

네 가지 모델의 성능 (정확도, 정밀도, 재현율, F1 점수, ROC-AUC) 을 비교한 결과 (Table 2):

• 최적 모델: **랜덤 포레스트 (Random Forest, RF)**가 전체적으로 가장 우수한 성능을 보였습니다.
  • 재현율 (Recall) 및 F1 점수: RF 가 가장 높았으며, 이는 전문가가 검증한 고품질 레벨을 놓치지 않고 선별하는 데 가장 효과적임을 의미합니다.
  • ROC-AUC: RF(86.57%) 가 SVM(86.22%) 보다 약간 높았으며, KNN 과 DT 보다 우월했습니다.
• 오류 분석: 혼동 행렬 (Confusion Matrix) 분석 결과, RF 는 전문가가 검증한 레벨을 잘못 제외할 확률이 가장 낮았습니다. 이는 사용자 생성 콘텐츠의 품질을 유지하는 데 필수적인 요소입니다.

3.2 특성 중요도 (Feature Importance)

Lasso 회귀 분석을 통해 모델이 레벨 선정에 가장 중요하게 고려한 요소들을 도출했습니다:

• 핵심 요소: 플레이어 캐릭터 수, 목표 (Goal) 수, 한방향 플랫폼 (One-way platform), 플랫폼 버블, 터지는 버블의 존재 여부.
• 통찰: 전문가의 품질 판단은 장식적 요소보다는 **게임 플레이 메커니즘 (수학적 행동과 목표의 구조)**과 밀접하게 연관되어 있음을 시사합니다. 또한, 장애물 (Obstacles) 보다 물리 객체 (Physics Objects) 가 더 중요한 예측 변수로 작용하여, 모델이 계산 및 논리적 추론과 관련된 능동적 조작을 더 중요하게 평가함을 알 수 있습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 새로운 필터링 프레임워크 제안: 머신러닝을 활용하여 플레이어 생성 레벨을 자동으로 선별하고, 이를 학습자의 능력에 맞는 개인화된 콘텐츠로 제공하는 새로운 GBL 시스템 프레임워크를 제시했습니다.
2. 수동 검토 자동화: 전문가의 수동 검토에 의존하던 방대한 UGC 선별 과정을 자동화하여, 시스템의 확장성과 효율성을 높였습니다.
3. 내재적 학습 경험 강화: AI 기술을 게임 레벨 설계 프로세스에 통합함으로써, 학습자의 수준에 맞는 고품질의 내재적 수학 게임 경험을 제공할 가능성을 입증했습니다.
4. 일관성 및 표준화: 머신러닝 분류기를 통해 레벨 선정 과정의 일관성과 표준화를 보장하여, 게임 레벨의 품질과 신뢰성을 유지합니다.

5. 결론 및 한계

이 연구는 **랜덤 포레스트 (RF)**가 수학 기반 게임 레벨 선별에 가장 적합한 모델임을 입증했습니다. 이를 통해 GBL 시스템 개발에 새로운 통찰을 제공하며, 학생들의 동기 부여와 비판적 사고 향상에 기여할 수 있는 이론적, 실용적 기반을 마련했습니다.

• 한계: 데이터셋 크기가 작아 (206 개) 모델 비교의 일반화에 제약이 있으며, 크리에이티브 모드의 다른 모듈에 대한 예측 변수 탐색이 부족합니다.
• 향후 연구: 더 많은 데이터 수집을 통한 모델의 견고성 강화 및 제안된 프레임워크를 기반으로 한 적응형 개인화 수학 GBL 시스템의 심층 연구가 필요합니다.