구조적 등위성 분석을 활용한 강의평가 연구

국문 초록 (Abstract)

[연구목적] 본 연구는 학생들이 남긴 개방형 질문을 구조적 등위성 분석을 활용하여 학생 요구사항을 군집화하여 이를 향후 수업에 반영함으로써 수업의 질을 높이는 것이 목적이다.
[연구방법] 본 연구는 학생 피드백의 의미 연결망을 분석하기 위해 텍스트 마이닝을 활용하였으며, 단어간의 빈도 분석, 단어 의미 네트워크 분석, 단어 의미 네트워크 중심성 분석 그리고 구조적 등위성 분석을 활용하여 학생 피드백을 통해 학생들이 진정으로 원하는 것이 무엇인가를 파악하였다.
[연구결과] 본 연구의 분석은 총 4단계로 진행되었다. 단어빈도 분석, 의미네트워크 시각화, 의미네트워크 중심성 분석 그리고 구조적 등위성 분석이다. 단어빈도 결과는 ‘교수’, ‘내용’, ‘되다’, ‘쉽다’, ‘어렵다’ 등으로 나타났으며, 구조적 등위성 분석결과 4개의 그룹으로 분류되었으며, 그룹1은 교육환경, 그룹2는 학습방법, 그룹3은 학습환경 그리고 그룹4는 학습경험으로 분류되었다.
[연구의 시사점] 본 연구의 시사점은 다음과 같다. 첫째, 선행연구와 달리 의미 네트워크 분석을 통해 좋은 수업을 위해 학생들이 남긴 키워드 및 키워드들 간의 관계를 분석함으로써 학생들의 요구사항을 확인하였다. 둘째, 구조적 등위성 분석을 통해 학생 요구사항을 4개 차원으로 군집화하였다. 즉, ‘교육환경’, ‘학습방법’, ‘학습환경’ 그리고 ‘학습경험’으로 구분하였으면, 각 차원을 중심으로 요구사항을 파악하였다. 마지막으로 학생요구사항을 파악하기위한 방법으로 설문지를 활용하는데 설문지 활용의 한계점을 극복하기 위해 텍스트 마이닝 기법을 활용하여 개방형 질문을 파악하였다.

다국어 초록 (Multilingual Abstract)

[Purpose] The purpose of this study is to improve the quality of classes by clustering student requirements using structural equivalence analysis of open－ended questions left by students and reflecting them in future classes.
[Methodology] In this study, text mining was used to analyze the semantic network of student feedback, and by utilizing the frequency analysis between words, the word semantic network analysis, the word semantic network centrality analysis, and the structural equi－satellite analysis, the students truly desired through student feedback. I figured out what it was.
[Findings] The analysis of this study was conducted in a total of 4 steps. These are word frequency analysis, semantic network visualization, semantic network centrality analysis, and CONCOR. The word frequency result was found as ‘professor’, ‘content’, ‘become’, ‘easy’, ‘difficult’, etc. As a result of structural equivalence satellite analysis, it was classified into 4 groups, group 1 as educational environment and group 2 Learning method, group 3 was classified as learning environment, and group 4 was classified as learning experience.
[Implications] The implications of this study are as follows. First, unlike previous studies, students’ needs were confirmed by analyzing the keywords left by students for good classes and the relationship between keywords through semantic network analysis. Second, students’ requirements were clustered into four dimensions through CONCOR. In other words, if ‘educational environment’, ‘learning method’, ‘learning environment’ and ‘learning experience’ were divided, the requirements were identified based on each dimension. Finally, in order to overcome the limitations of using questionnaires as a method to identify student needs, open－ended questions were identified by using text mining techniques.

목차 (Table of Contents)

• 요약
• Ⅰ. 서론
• Ⅱ. 이론적 배경 및 가설 설정
• Ⅲ. 연구방법
• Ⅳ. 결과
• Ⅴ. 논의 및 결론
• 참고문헌
• Abstract

참고문헌 (Reference)

• 1 하정윤, "학생의 강의 만족 및 불만 요인은 무엇인가? : A대 서술형 강의평가 자료를 중심으로" 교육연구소 38 (38): 61-77, 2017
• 2 곽민호, "토픽 모델링을 활용한 대학생의 서술형 강의평가 분석" 교육연구소 20 (20): 491-522, 2019
• 3 김효숙, "토픽 모델링을 활용한 교양 ICT활용과정 서술형 강의평가 분석" 아이씨티플랫폼학회 8 (8): 33-40, 2020
• 4 박은준, "텍스트네트워크분석을 활용한 국내·외 호스피스 간호 연구 주제의 비교 분석" 한국간호과학회 47 (47): 600-612, 2017
• 5 신종호, "텍스트 마이닝을 활용한 서술형 강의평가 내용분석" 학습자중심교과교육학회 19 (19): 77-99, 2019
• 6 박금주, "텍스트 내용분석 방법을 적용한 소프트웨어 교육 요구조사 분석: A대학을 중심으로" 한국산학기술학회 20 (20): 65-70, 2019
• 7 이혜준, "의미 네트워크 분석을 통한 프랜차이즈 교육 프로그램 개발" 한국경영학회 14 (14): 105-128, 2010
• 8 전선미, "의미 네트워크 분석을 통한 전문상담교사의 역량 탐색" 이화여자대학교 대학원 2016
• 9 이준기, "언어 네트워크 분석법을 통한 중학교 과학영재들의 사실, 가설, 이론, 법칙과 과학적인 것의 의미에 대한 인식 조사" 한국과학교육학회 32 (32): 823-840, 2012
• 10 최정웅, "데이터분석을 이용한 서술형 강의평가 연구" 한국디지털정책학회 14 (14): 101-106, 2016
• 11 한신일, "대학생들의 서술형 강의평가내용(Written Comments) 분석" 한국교육행정학회 21 (21): 359-378, 2003
• 12 이후희, "대학 서술형 강의평가 자료의 언어 네트워크 분석" 교육발전연구소 28 (28): 237-262, 2018
• 13 이해듬, "대학 강의평가 주관식 결과의 텍스트마이닝을 통한 전공 계열별 좋은 수업 특성 분석" 유아교육연구소 20 (20): 21-41, 2018
• 14 신종호, "대학 강의평가 서술형 응답 실태 및 특성 분석 - A대학교 사례를 중심으로" 교육연구소 40 (40): 61-81, 2019
• 15 원순식, "강의평가를 매개로 한 대학 내 교수개선 연구" 1 (1): 142-175, 2013
• 16 권오영, "강의평가 시스템의 신뢰도 향상 방안 연구" 한국공학교육학회 17 (17): 35-41, 2014
• 17 Zuo, Y., "Word network topic model : a simple but general solution for short and imbalanced texts" 48 (48): 379-398, 2016
• 18 Weng, J., "Twitterrank: finding topic－sensitive influential twitterers" 261-270, 2010
• 19 Jin, O., "Transferring topical knowledge from auxiliary long texts for short text clustering" 775-784, 2011
• 20 Motter, A. E., "Topology of the conceptual network of language" 65 (65): 065102-, 2002
• 21 Peterson, D. R., "The reflective educator" 50 (50): 975-, 1995
• 22 Schuman, H., "The random probe: A technique for evaluating the validity of closed questions" 218-222, 1966
• 23 Tsai, J. Y., "The effect of online privacy information on purchasing behavior : An experimental study" 22 (22): 254-268, 2011
• 24 Diestel, R., "The cycle space of an infinite graph" 14 (14): 59-80, 2005
• 25 Freeman, A. M., "The benefits of environmental improvement: theory and practice" 1979
• 26 Lazarsfeld, P. F., "The art of asking WHY in marketing research : three principles underlying the formulation of questionnaires" 1 (1): 26-38, 1935
• 27 반현정, "The Text Mining Approach to Understand Seat Comfort Experience of Airline Passengers through Online Review" (사)한국조리학회 25 (25): 38-46, 2019
• 28 Tan, A. H., "Text mining: The state of the art and the challenges" 8 : 65-70, 1999
• 29 Berry, M. W., "Text mining. Applications and Theory" John Wiley & Sons 2010
• 30 Ten Kleij, F., "Text analysis of open－ended survey responses : A complementary method to preference mapping" 14 (14): 43-52, 2003
• 31 Danielson, C., "Teacher evaluation to enhance professional practice"
• 32 Grebennikov, L., "Student voice : using qualitative feedback from students to enhance their university experience" 18 (18): 606-618, 2013
• 33 Stupans, I., "Student evaluation of teaching: A study exploring student rating instrument free－form text comments" 41 (41): 33-42, 2016
• 34 Roberts, M. E., "Structural topic models for open－ended survey responses" 58 (58): 1064-1082, 2014
• 35 Bonacich, P., "Some unique properties of eigenvector centrality" 29 (29): 555-564, 2007
• 36 Wassermann, S., "Social network analysis: Methods and applications" 1994
• 37 Singh, V. K., "Sentiment analysis of movie reviews: A new feature－based heuristic for aspect－level sentiment classification" IEEE 712-717, 2013
• 38 Brace, I., "Questionnaire design: How to plan, structure and write survey material for effective market research" Kogan Page Publishers 2018
• 39 Masucci, A. P., "Network properties of written human language" 74 (74): 026102-, 2006
• 40 Brandes, U., "Network analysis: methodological foundations (Vol.3418)" Springer Science &Business Media 2005
• 41 Newman, M. E., "Modularity and community structure in networks" 103 (103): 8577-8582, 2006
• 42 Tinsley, H. E., "Interrater reliability and agreement of subjective judgments" 22 (22): 358-, 1975
• 43 Nguyen, D. Q., "Improving topic models with latent feature word representations" 3 : 299-313, 2015
• 44 Mehrotra, R., "Improving lda topic models for microblogs via tweet pooling and automatic labeling" 889-892, 2013
• 45 Zipf, G. K., "Human behavior and the principle of least effort: an introd. to human ecology" 1949
• 46 Lambert, "Group processes" Springer 93-117, 2017
• 47 Hong, L., "Empirical study of topic modeling in twitter" 80-88, 2010
• 48 Barabási, A. L., "Emergence of scaling in random networks" 286 (286): 509-512, 1999
• 49 Watts, D. J., "Collective dynamics of ‘small－world’ networks" 393 (393): 440-442, 1998
• 50 Khan, M. J., "Automated forgery detection in multispectral document images using fuzzy clustering" IEEE 393-398, 2018
• 51 Bicalho, P., "A general framework to expand short text for topic modeling" 393 : 66-81, 2017
• 52 Yan, X., "A biterm topic model for short texts" 1445-1456, 2013