온라인 교육 환경에서 학생들의 학업 이탈 위험을 조기에 감지하고 적시에 개입하는 것은 학생 유지율과 학습 성과를 높이는 데 매우 중요합니다. 하지만 기존의 예측 모델들은 조기 감지 능력이 떨어지고, 예측 결과가 왜 나왔는지 설명하기 어려운 '블랙박스' 문제로 인해 실제 교육 현장에서 활용하는 데 어려움이 있었습니다. 이러한 한계를 극복하기 위해, 최근 발표된 연구에서는 시계열 트랜스포머(temporal Transformer) 기반 예측기와 F-논리(F-Logic) 기호 추론을 결합한 신경-기호 프레임워크 '에듀리스크X(EduRiskX)'를 제안했습니다.
에듀리스크X는 두 가지 핵심 구성 요소를 가집니다. 첫째, 신경망(neural network) 부분은 시계열 트랜스포머를 활용하여 학생들의 활동 데이터를 분석하고 학업 위험 확률을 예측합니다. 이는 학생들의 시간 흐름에 따른 학습 패턴 변화를 정교하게 포착하는 역할을 합니다. 둘째, F-논리 기반의 규칙 베이스는 교육 이론(참여 이론, 학생 통합 모델)에 근거하여 인간 교육자의 진단 논리를 모방하도록 설계되었습니다. 이 규칙 베이스는 학습 데이터로부터 자동으로 생성되며, 예측된 위험의 원인을 설명하는 기호적(symbolic) 신뢰 점수를 제공합니다. 최종적으로, 신경망의 위험 확률과 F-논리 모듈의 신뢰 점수는 로지스틱 회귀(logistic regression) 기반의 융합 메커니즘을 통해 결합되어 최종 예측을 도출합니다. 오픈 유니버시티 학습 분석 데이터셋(OULAD)을 활용한 실험에서 에듀리스크X는 학기 말(38주차)에 0.900의 정확도와 0.894의 F1-점수를 달성했으며, 평균 9.32주차에 위험을 조기 감지하고 94.30%의 감지율을 보였습니다. 이는 최신 시계열 모델 및 딥러닝(deep learning) 모델 대비 향상된 성능을 보여줍니다.
에듀리스크X의 가장 큰 의미는 단순히 예측 성능을 높이는 것을 넘어, 예측 결과에 대한 '설명 가능성(interpretability)'을 제공한다는 점입니다. F-논리 모듈은 예측이 어떤 행동 패턴과 교육 이론에 근거하는지 구조화된 규칙 기반으로 설명해주어, 교사들이 학생의 위험 상황을 더 깊이 이해하고 맞춤형 개입 전략을 수립하는 데 도움을 줍니다. 이러한 설명 가능성은 AI 모델에 대한 교육 현장의 신뢰를 높이고, '블랙박스' 문제로 인해 지연되었던 AI 기반 교육 솔루션의 실제 도입을 가속화할 수 있습니다. 궁극적으로 에듀리스크X는 온라인 학습 환경에서 학생들의 성공적인 학습 경험을 지원하고, 교육자들이 데이터 기반의 현명한 결정을 내릴 수 있도록 돕는 강력한 도구가 될 잠재력을 가지고 있습니다.