온라인 교육에서 인간-컴퓨터 상호작용 향상: 학생의 감정과 만족도를 예측하기 위한 기계 학습 접근법

학생 참여를 유지하는 것은 빠르게 발전하는 온라인 교육 환경에서 매우 중요합니다. 온라인 학습 중 학생의 만족도에 영향을 미치는 요인들은 잘 이해되지 않고 있습니다. 본 연구는 기계 학습(ML) 모델을 사용하여 학생의 감정과 만족도를 예측함으로써 이 문제를 해결합니다. ML은 복잡한 심층 신경망을 필요로 하지 않는 작고 구조화된 데이터에 중점을 둡니다. 우리는 7개의 요소를 포함한 온라인 설문조사 데이터를 기반으로 훈련된 ML 분류 모델을 만들었습니다. 후방 특성 선택(BFS) 방법을 사용하여 55개의 특징을 각각 만족도 예측을 위해 7개로, 감정 예측을 위해 36개로 좁혔습니다. 인공신경망(ANN)과 랜덤 포레스트(RF) 모델이 다른 분류기를 능가하여 각각 만족도 예측에서는 81%, 감정 예측에서는 65.3%의 정확도를 보여주었습니다. 우리의 연구 결과는 학생의 감정과 만족도를 예측하고 이에 대응함으로써 각 학생의 독특한 필요에 맞춘 개인화된 교육 경로를 제공하여 온라인 학습 경험을 최적화할 수 있음을 시사합니다.