Cross-modal Affinity-aligned Multimodal Learning Analytics for Predicting Student Collaboration Satisfaction in Game-Based Learning

작성자

Haebom

카테고리

Empty

저자

Wen-Hsin Tsai, Chia-Ming Lee, Yuk-Ying Tung

💡 개요

본 논문은 협력적 게임 기반 학습 환경에서 학생들의 협업 만족도를 자동 예측하는 것을 목표로 합니다. 기존 방식의 모달리티 저하 문제를 해결하기 위해, 각 모달리티 간의 관계를 명시적으로 모델링하고 일관성을 강제하는 Affinity-Aligned Multimodal Learning Analytics (AAMLA) 프레임워크와 Cross-modal Affinity-guided Modality Alignment (CAMA) 모듈을 제안합니다. 제안된 방법은 정보가 부족한 모달리티를 제거하지 않고 적응적으로 억제하여, 다양한 조건에서 기존 방법 대비 일관된 성능 향상을 보입니다.

🔑 시사점 및 한계

•

다양한 종류의 학생 행동 데이터를 융합하여 학습 만족도를 예측하는 데 있어, 모달리티의 정보 비일관성 문제를 효과적으로 해결할 수 있습니다.

•

제안된 CAMA 모듈은 설명 가능성이 높은(interpretable) 크로스모달 표현을 생성하여, 학생들의 협업 방식을 이해하는 데 기여합니다.

•

실제 학습 환경에서 다양한 모달리티의 정보 수준이 달라지는 상황에 대한 강건성(robustness)을 입증했으며, 이를 통해 실제 적용 가능성을 높였습니다.

•

본 연구는 50명의 중학생을 대상으로 진행되었으므로, 더 다양한 연령대와 학습 환경에서의 검증이 필요합니다.

PDF 보기

Made with Slashpage