연구
적응형 로봇 교육 및 디지털 트윈 연구
HCR은 Blockly 프로그래밍 평가, 적응형 학습, 디지털 트윈 로봇 교육을 위한 학술 연구 도구입니다. 클라이언트가 플레이어나 세션을 만들기 전에 참여자가 연구 참여 여부를 선택합니다.
연구 참여
연구를 시작하기 전에 참여 여부를 선택하세요
참여자가 학술 연구에 참여하기로 선택하기 전에는 시뮬레이터 세션이나 플레이어 식별자를 만들지 않습니다.
연구에 필요한 데이터
재생, 채점, 분석에 필요한 Blockly 프로그램 IR, 도전 버전, 점수, 기술 세션 또는 제출 식별자입니다.
선택 배경 정보
기본 언어는 zh, en 같은 간단한 코드로, UTC 오프셋은 현재 분 단위 값으로만 기록합니다. ‘학술 연구 참여’를 누르면 둘 다 켜지며 ‘세부 설정’에서 각각 끌 수 있습니다.
의도적으로 수집하지 않는 정보
브라우저 지문, 정확한 IANA 시간대 이름, 추정 위치, 광고 식별자, 사이트 간 추적 프로필은 수집하지 않습니다.
데이터를 설명하는 방식
이 데이터를 완전 익명이라고 부르지 않습니다. 연구 기록에 세션 식별자가 남을 수 있고 서버도 일반 보안 로그를 보관하므로 비식별화 데이터라고 설명합니다.
문제 설정
두 문제, 하나의 시스템
교육
한 학급이 같은 속도로 진도 나가기
장비 비용과 감독 부담 때문에 로봇 교육은 한 가지 고정된 진도로 운영되기 쉽습니다. 하지만 학생마다 학습 속도가 달라 이 불일치는 빠른 학생과 느린 학생 모두에게 영향을 줍니다.
측정
프로그래밍 능력은 평가하기 어렵습니다
프로그램은 객관식 답과 달리 응답 공간이 열려 있고 결과도 연속값입니다. 표준 적응형 검사 방법은 두 특성을 전제로 하지 않으므로 프로그래밍 수행을 측정하려면 조정이 필요합니다.
연구 기여
이 연구의 새로운 점
- 01
생성형 문항 은행에서의 적응형 선택
과제는 고정 목록에서 나오지 않습니다. 문항군이 후보를 생성하고 보정한 뒤 Fisher 정보량으로 현재 능력 추정치에 맞는 문항을 선택하므로 모든 단계를 직접 만들지 않아도 문항 은행을 확장할 수 있습니다.
- 02
풀이 가능성을 보장한 생성 문항
절차적 생성과 도달 가능성은 충돌할 수 있습니다. 그럴듯한 목표도 도달할 수 없으므로 제공 전에 각 후보를 풀어 풀이 가능성을 전제 조건으로 만듭니다.
- 03
이분형 추정기에서 연속 점수 사용
프로그래밍 수행은 연속값이지만 사용할 수 있는 추정기는 그렇지 않습니다. 문항별 숙달 기준을 중심으로 순서를 보존해 재매핑하고 분석용 원점수도 유지합니다.
- 04
공정성의 조건으로서 결정성
서버가 각 프로그램을 다시 실행하고 관절 이동량으로 시간을 추정합니다. 경쟁이나 진단에 쓰는 점수가 클라이언트 하드웨어에 따라 달라지지 않습니다.
방법
적응형 계층의 구성 방식
매 시도 후 학습 상태를 다시 추정해 다음 과제를 고릅니다. 여유 있게 완료하면 난도를 높이고, 어려워하면 한 단계 낮춥니다.
모형
2모수 로지스틱 모형
모형은 로짓 척도의 능력 θ, 문항 난이도 b, 변별도 a를 사용합니다. 응답이 선택지가 아닌 프로그램이므로 우연히 맞힐 대상이 없어 추측 모수는 0으로 고정합니다. 세 번째 모수를 추정하면 잡음만 적합하게 됩니다.
응답
프로그램 자체가 응답입니다
학습자의 Program IR을 서버에서 재생해 채점합니다. 정규화 점수는 문항의 숙달 임계값 τ를 중심으로 다시 매핑하여 ‘τ 초과’와 ‘숙달’이 일치하도록 한 뒤 추정기에 전달합니다. 원점수는 별도로 저장합니다.
선택
정보량 우선, 이후 노출 제어
후보 문항을 현재 θ에서의 정보량 순으로 정렬한 뒤 노출 횟수를 제한합니다. 같은 수준의 학습자에게 늘 같은 문항이 주어지지 않으며 일부 문항이 지나치게 소모되는 것도 막습니다.
생성
난이도를 결과가 아닌 목표로 설정
문항군은 여유 공간, 도달 부담, 예산 압박, 반복 구조처럼 난이도를 예측하는 특성을 사용합니다. 각 후보는 목표 난이도 b에 맞춰 풀이되며 기준 풀이기가 해를 찾지 못하면 생성 단계에서 제외됩니다.
보정
근거가 쌓일 때까지 잠정 문항
새 문항은 먼저 임시 상태로 들어가 노출 횟수를 제한하고 정식 능력 업데이트에서는 제외합니다. 응답이 쌓이면 θ를 사후평균에 고정한 채 주변우도에 뉴턴 반복을 적용해 난이도를 다시 추정합니다.
이 버전은 능력을 하나의 종합 θ로 다루고 보고를 위해 각 응답에 차원 태그를 기록합니다. 실제 다차원 모형은 향후 과제이며 이 버전에서 달성했다고 주장하지 않습니다.
타당성
아무도 완료할 수 없는 문항은 아무것도 측정하지 못합니다
목표 머리 모양을 먼저 그린 뒤 로봇 팔이 닿기를 바라는 방식은 통하지 않습니다. 초기 과제 하나는 팔이 20개에만 닿을 수 있는데도 머리카락 91개를 요구했습니다. 완료할 수 없는 과제였지만 학습자에게 아무 안내도 없었습니다.
이제 풀이기를 먼저 실행합니다. 후보 목표를 충돌 없는 관절 공간에서 훑은 뒤 기준 풀이기에 넘기며, 완료할 수 없는 목표는 생성 단계에서 제외해 출제하지 않습니다. 얻은 해는 해당 단계의 기준 비용과 기준 시간이 됩니다.
도달 가능 집합은 도구가 충돌 없는 관절 공간을 훑으며 접촉할 수 있는 모든 복셀의 합집합입니다. 계산 비용이 크므로 한 번만 계산해 테스트 고정 데이터로 캐시합니다. 이후 테스트에서 기준 해를 재생할 수 있고 어떤 목표도 도달 불가 영역에 놓이지 않는지 확인합니다.
설계의 계기가 된 실패 사례
학습자는 구조적으로 불가능한 과제를 자신의 실패로 오해할 수 있습니다. 그러면 능력 추정치는 그 실패를 근거로 삼게 됩니다.
재현성
결과를 결정하는 요소
결정론적 생성
머리 모양 생성은 과제 설정만으로 결정되는 순수 함수입니다. 같은 설정은 항상 같은 순서의 복셀 집합을 만들며 처리 과정에 무작위성이 없습니다.
서버 측 재실행
경쟁 점수는 제출한 프로그램을 서비스에서 재생해 산출하며 브라우저가 보고한 숫자는 사용하지 않습니다.
측정값이 아닌 추정 시간
실행 시간은 관절 이동량과 설정 속도로 계산하므로 실행한 기기가 아닌 프로그램 자체의 속성입니다.
고정된 통신 계약
앱과 서비스는 같은 채점 및 프로그램 형식을 공유합니다. 프로토콜 변경은 추가 방식이므로 이전 클라이언트도 계속 작동합니다.
관련 사이트