본 논문은 자연어 처리(NLP) 임베딩 모델을 활용한 학습 분석(LA)에서 과학 관련 언어, 특히 방정식과 수식과 같은 기호적 표현 처리의 어려움을 다룹니다. 기존 연구들은 이러한 기호적 표현을 무시하거나 제거하는 경향이 있었는데, 이는 LA 애플리케이션의 성능 저하 및 편향된 결과를 초래할 수 있습니다. 따라서 본 연구는 다양한 임베딩 모델들의 과학 관련 기호 표현 처리 능력을 비교 분석합니다. 물리학 관련 학생 답변에서 추출한 기호적 표현을 사용하여 유사성 분석 및 머신러닝 파이프라인 통합 방식으로 모델 성능을 평가하였고, 그 결과 OpenAI의 GPT-text-embedding-3-large 모델이 다른 모델들보다 우수한 성능을 보였으나, 그 차이가 압도적이지는 않았음을 밝혔습니다. 모델 선택 시 성능 외에도 비용, 규제 준수, 모델 투명성 등도 중요한 고려 사항임을 강조합니다.