연구 논문

공과대학의 지능형 교수 관리 시스템을 위한 데이터 기반 학생 관심도 식별

1 조회수

⸱

DOI:

10.3791/71574

⸱

2026년 9월 1일

1School of Foreign Languages, Bengbu University

이 논문에서

요약

메타 학습 하이브리드 양자-고전 신경 분류기(ML-HQNC) 프로토콜은 양자 영감 인지 모델링, 데이터 전처리, 특성 선택 및 하이브리드 신경 학습을 통합하여 공학 전공 학생들의 관심 분야를 식별합니다. 본 프로토콜은 다차원 교육 데이터를 사용한 공학 전공 학생의 관심 분야 식별을 통해 입증된, 교육 분석을 위한 재현 가능한 하이브리드 양자 영감 머신러닝 워크플로우를 제시합니다.

초록

본 프로토콜은 다차원 교육 및 행동 데이터를 사용하여 공학 전공 학생들의 관심 분야를 식별하기 위한 양자 영감 컴퓨팅 프레임워크를 제시합니다. 본 연구의 목적은 데이터 전처리, 행동 패턴 분석, 특성 선택 및 하이브리드 신경망 학습을 통합하여 교육적 의사결정과 개인 맞춤형 학습을 지원하는 체계적이고 재현 가능한 워크플로우를 제공하는 것입니다. 워크플로우는 먼저 Box-Cox Robust IQR Scaling (BCRIS)을 통해 교육 데이터를 전처리하고 정규화함으로써 시맨틱 노이즈를 줄이고 데이터 품질을 향상시키는 것으로 시작합니다. 이후 불확실한 조건 하에서의 행동 전이와 진화하는 학습 선호도를 나타내는 Quantum Cognitive State Model (QCSM)을 사용하여 학생의 학습 행동을 분석합니다. 그런 다음 Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) 알고리즘을 통해 관련 특성을 선택하여 특성 중복을 줄이고 유의미한 행동 특성을 식별합니다. 마지막으로, Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC)가 양자 영감 학습과 심층 신경망을 통합하여 학생의 관심 분야를 분류합니다. 본 프로토콜은 공개적으로 사용 가능한 교육 데이터셋을 사용하여 검증되었습니다. 모델 성능은 정확도, F1-score, 수신자 조작 특성 곡선 아래 면적 (AUC)과 같은 기존 지표와 더불어 Interest Detection Precision (IDP), Quantum Pattern Stability Index (QPSI) 및 Cross-Domain Adaptability Gain (CDAG)을 사용하여 평가되었습니다. 해당 프레임워크는 평가 데이터셋에서 96.17%의 전체 분류 정확도를 달성했습니다. 본 프로토콜은 지능형 교육 관리 및 개인 맞춤형 학습 애플리케이션을 지원하기 위해 다차원 교육 데이터를 분석하는 재현 가능한 컴퓨팅 워크플로우를 제공합니다.

서론

정보 기술과 컴퓨터 네트워크의 급격한 발전으로 인해 교육 부문 전반에서 교육 관리 시스템의 사용이 점점 더 증가하고 있습니다. 고등 교육의 지속적인 성장과 더불어 특히 공학 계열 학생들의 등록 수가 증가하면서 교육 관리 데이터 또한 상당량 증가하였습니다. 이러한 성장은 지속 가능한 교육 발전을 뒷받침하고 교육 정보화를 가속화하며, 교수 행정의 일관성과 효율성을 향상시키는 표준화된 교육 관리 시스템의 구축을 용이하게 합니다. 머신러닝(ML)은 시스템이 명시적인 프로그래밍 없이도 데이터를 분석하고, 패턴으로부터 학습하며, 예측 성능을 지속적으로 향상시킬 수 있도록 하는 계산 기법을 제공합니다1,2.

교육의 질은 고등 교육의 핵심 요소입니다. 최근 몇 년 동안 시험은 공학 전공 학생들의 교과 내용 이해도와 새로운 지식 습득 능력을 평가하기 위해 널리 활용되어 왔으며, 이를 통해 교육의 질을 지속적으로 개선하고 있습니다. 온라인 교육 플랫폼을 통해 이용 가능한 다양한 학습 자원을 활용하고 여러 학습 이론을 적용함으로써 서로 다른 학습자의 요구를 충족시키는 학습자 중심 환경을 구축할 수 있습니다. 효과적인 교수법은 대학 및 전문대학 공학 전공 학생들의 학습 성과를 향상시키는 데 핵심적인 역할을 합니다3,4. 또한, 효과적인 교수법은 긍정적인 학습 환경을 조성하고 학생들의 교과 내용 이해를 도우며 학업 성취도를 높입니다. 교육의 질은 커리큘럼 구조, 강의실 환경, 교수 내용을 포함하여 학습 과정 전반에 걸친 여러 지표를 통해 평가됩니다.

고등 교육은 학생의 지적, 개인적 및 사회적 발전을 촉진합니다. 동시에 행동적, 정서적, 인지적 차원을 포함하는 학생 참여도와 학업 지속성은 학습 성과를 결정하는 중요한 요인이 되었습니다. 높은 수준의 학생 참여도는 장기적인 학업 성공에 크게 기여합니다5,6. 교육 기술의 발전은 머신러닝(ML) 및 딥러닝(DL) 기법을 사용하여 학생의 인지적, 행동적, 학업적 특성 사이의 복잡한 비선형 관계를 모델링함으로써 데이터 기반의 교육 분석을 위한 새로운 기회를 창출했습니다.

변화하는 학생들의 행동을 고려하면서 강의실 역동성을 효과적으로 관찰하고 평가하는 것은 여전히 주요한 과제로 남아 있습니다. 교육의 질을 평가하고 공학 전공 학생들의 행동을 분석하는 전통적인 방식은 시간이 많이 소요되며 인간의 주관적인 판단에 영향을 받기 쉽습니다. 강의실 활동 중 학생들의 주의 산만은 학습 결과와 학업 성취도에 부정적인 영향을 미칩니다7,8. 그러나 내외부적인 방해 요소와 동기 부여의 변동으로 인해 공학 전공 학생들의 지속적인 주의력을 유지하는 것은 여전히 어려운 일입니다.

온라인 학습, 스마트 강의실 및 기타 인터랙티브 교육 기술의 광범위한 도입으로 인해 학생 참여도를 평가하고 개선하는 일이 점점 더 중요해졌습니다. 다양한 공학 계열 학생 그룹 전반에 걸쳐 포용성을 보장해야 한다는 점은 프라이버시와 윤리적 기준을 유지하면서 기술 기반 접근법을 교육 실습과 통합하는 종합적인 프레임워크의 필요성을 더욱 강조합니다. 또한, 방법론적 편향과 교육적 형평성을 포함하여 기술 통합과 관련된 과제9,10 및 제한적인 모델 투명성은 지속적인 모니터링을 통해 학습자를 지원할 수 있는 예측 시스템의 개발을 계속해서 저해하고 있습니다.

학생의 위험도 및 중도 탈락률 예측과 같은 교육적 과제를 해결하기 위해 머신러닝 접근 방식이 널리 사용되어 왔습니다. 이러한 방식은 고위험군 학생을 식별하는 능력을 입증했으며, 이를 통해 학업 성취도를 향상시키는 중재 조치를 지원해 왔습니다11. 고등 교육 기관 내의 행정 및 학사 프로세스를 모두 개선하기 위해 인공지능(AI) 기반의 교육 관리 시스템 또한 개발되었습니다. 교육 데이터셋에는 일반적으로 과목 성적, 출석 기록, 등록 이력과 같은 학업 기록이 포함됩니다12.

이전 연구들은 평가 데이터, 방법 및 결과라는 세 가지 관점에서 학생의 행동을 분석하였습니다13,14. 대학생의 행동 특성을 분석하기 위해 정보 리터러시 기반의 예측 모델이 개발되었습니다. 이러한 연구들은 주로 딥러닝(DL) 방법을 이용한 학습자 행동 평가에 집중하고 있습니다. 하지만 지능형 교사 행동 평가에 관한 연구는 아직 초기 단계에 머물러 있어, 이 분야의 발전이 제한적인 상황입니다. 교육용 데이터셋에 Fast Region-based Convolutional Neural Networks (Fast R-CNNs)를 적용하여 교실 활동 탐지 기능을 개선한 결과, 기존 방법들보다 유의미한 성능 향상이 입증되었습니다15.

자기 모니터링 메커니즘을 통합한 양방향 장단기 메모리(Bi-LSTM) 모델 또한 대학생의 성적 예측 정확도를 향상시켰습니다. 이와 유사하게, 온라인 학습 행동 데이터셋을 사용하여 개발된 예측 모델들은 개선된 예측 성능을 입증하였습니다16,17,18. 또한, k-평균 군집화(KMC)가 군집 분석을 통해 서로 다른 학생 그룹의 특성을 식별하는 데 사용되어, 교수법, 관리 및 학습의 개선을 뒷받침하는 학생 행동에 대한 통찰력을 제공하였습니다. 강의실 수업 행동의 탐지와 평가를 개선하기 위해 딥러닝 기반의 전략들도 제안되었습니다. 이러한 접근 방식에서는 서포트 벡터 머신(SVM)을 위한 선형 분리 가능한 초기값을 사용하여 특징 표현과 초평면 사이의 관계를 설정하는 데 강의실 행동 특징이 사용됩니다19,20. 그러나 폐색, 세밀한 행동 디테일 및 환경적 간섭과 같은 과제들은 강의실 환경에서 공학 전공 학생의 행동 인식 정확도를 여전히 제한하고 있습니다.

딥러닝은 정치 및 사상 교육의 교육 평가를 포함하여, 대학 강의의 성과 기반 평가에도 적용되어 왔습니다21,22. 이러한 예측 모델의 효과는 공개적으로 사용 가능한 교육 데이터셋을 통해 입증되었습니다. 온라인 학습 플랫폼 및 학습 관리 시스템에서 수집된 데이터를 사용하여 학생의 학업 성취도를 예측하기 위해 피드포워드 스파이킹 신경망(Feed-forward Spiking Neural Networks, FSNNs)이 채택되었습니다. 그림 1에 나타낸 바와 같이, 제안된 계산 워크플로우는 데이터 전처리, 행동 패턴 분석, 특성 선택 및 분류의 순차적 단계를 통해 공학 전공 학생들의 관심도를 식별하기 위해 교육 평가 데이터셋을 통합합니다. 표 123,24,25,26,27,28,29,30,31,32은 학습 관리 시스템 내에서 학생의 관심도를 식별하기 위해 이전 연구에서 보고된 대표적인 방법들과 사용된 기술, 그리고 그와 관련된 한계점을 요약하여 보여줍니다.

figure-introduction-1
그림 1: 학생 관심도 식별 프레임워크. 데이터 수집, 전처리, 행동 패턴 분석, 특성 선택 및 분류를 포함하여 제안된 공학 전공 학생 관심도 식별 프레임워크의 전반적인 워크플로우. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

표 1: 교수 관리에서의 학생 행동 분석. 교수 관리에서의 학생 행동 분석을 위한 대표적인 방법, 기술, 데이터셋, 평가 지표 및 보고된 제한 사항의 요약. 이 표를 다운로드하려면 여기를 클릭하십시오.

Swin Transformer와 경량 특징 피라미드 네트워크(Lightweight Feature Pyramid Network, FPN)는 다중 스케일 특징 맵을 효율적으로 처리함으로써 학생의 교실 행동 감지에 적용되었습니다33. 또한, 초파리 최적화 조절 가능 순환 신경망(Fruit-Fly-Optimized Adjustable Recurrent Neural Network, PFFO-ARNN)이 학생의 온라인 학습 행동을 분석하고 교과 성취도를 예측하는 데 사용되었습니다34. 대학 학습 관리 시스템에서 수집된 학생 행동 데이터 기반의 연구들은 기존의 딥러닝 방법으로 교실 행동을 모니터링하는 것이 비효율적이며 시간이 많이 소요된다는 점을 강조해 왔습니다35. 표 236,37,38,39,40,41,42,43,44,45,46,47는 공학 교육 내 지능형 교수 관리 시스템에 대한 대표적인 분류 방법, 데이터셋, 평가 지표 및 보고된 한계점을 요약하여 보여줍니다.

표 2: 공학 교육을 위한 딥러닝 기반 지능형 교수 관리 시스템.대표적인 딥러닝 기반 교수 관리 시스템, 데이터셋, 평가 지표 및 보고된 한계점의 비교. 이 표를 다운로드하려면 여기를 클릭하십시오.

이전 연구48에서는 Deep Belief Networks (DBNs) 기반의 혼합형 교수 품질 평가 모델을 개발하고 대학의 교수 품질을 평가하기 위한 혼합 평가 전략을 제안하였다. 제안된 접근 방식은 분류 정확도와 실행 시간 모두에서 기존의 Genetic Algorithm (GA)보다 우수한 성능을 보였으며, 5.4 ms 미만의 시간 내에 95% 이상의 정확도를 달성하였다. 해당 모델은 라벨링된 교육 데이터셋을 사용하여 학습되었으며, 독립적인 테스트 전략49,50을 통해 평가되었다. 보고된 결과에 따르면 Mean Absolute Error (MAE) 0.593% 및 Root Mean Square Error (RMSE) 0.785%를 기록하여 강력한 예측 성능을 입증하였다.

KANFormer51와 같은 최근의 어텐션 강화 아키텍처는 다중 헤드 셀프 어텐션(multi-head self-attention)을 콜모고로프-아놀드 네트워크(Kolmogorov-Arnold networks)와 통합하여 복잡한 특성 상호작용을 포착함으로써 학생 성취도 예측 능력을 향상시킵니다. 트랜스포머 기반의 지식 추적 모델 또한 어텐션 메커니즘을 활용하여 학생의 학습 궤적을 모델링함으로써 예측 정확도와 해석 가능성을 개선했음을 입증했습니다52. 트랜스포머 및 어텐션 기반 아키텍처는 문맥적 의존성과 장거리 특성 상호작용을 모델링하여 교육 예측 작업의 성능을 높였으나, 이러한 접근 방식은 주로 학생 성취도 예측이나 지식 추적에 집중되어 있으며, 양자 영감 인지 모델링, 최적화된 특성 선택 및 하이브리드 메타 학습을 통한 불확실성 인지 학생 흥미 식별에는 초점을 맞추지 않고 있습니다.

교육 분석을 위한 머신러닝 및 딥러닝의 최근 발전에도 불구하고, 공학 전공 학생들의 관심사를 식별하는 기존 방법들은 몇 가지 한계를 가지고 있습니다. 많은 전통적인 접근 방식은 예측 정확도에 주로 집중하는 반면, 진화하는 학습 선호도, 행동의 불확실성, 맥락적 관계 및 의미론적 상호작용을 포함한 학생 행동의 다면적인 특성을 간과하고 있습니다. 또한, 이러한 방법들은 종종 전통적인 특성 공학(feature engineering)과 결정론적 학습 전략에 의존하며, 이는 비선형적 행동 패턴을 충분히 포착하지 못하거나 동적인 학습 환경에 적응하지 못할 수 있습니다. 결과적으로, 복잡한 교육 데이터의 분석을 개선하기 위해 강력한 데이터 전처리, 지능형 행동 모델링, 적응형 특성 선택 및 하이브리드 학습 기술을 통합한 보다 포괄적인 프레임워크가 필요합니다.

이러한 한계점을 해결하기 위해, 제안된 프레임워크는 견고한 데이터 전처리, 양자 영감 행동 모델링, 최적화된 특성 선택, 그리고 하이브리드 양자-고전 신경망 학습을 통합하여 공학 계열 학생들의 관심사를 식별하기 위한 단일 계산 워크플로우를 구축합니다. 이러한 상호 보완적인 구성 요소들을 결합함으로써, 제안된 프로토콜은 맞춤형 학습과 교육적 의사결정을 지원하기 위해 복잡한 교육 데이터를 분석하는 체계적이고 재현 가능한 접근 방식을 제공합니다.

본 연구의 목적은 공학 전공 학생의 흥미 식별을 위해 다차원 교육 및 행동 데이터를 활용하는 CQEI 프레임워크를 개발하고 검증하는 것입니다. 이 프레임워크는 견고한 데이터 전처리, 양자 영감 인지 상태 모델링, 최적화된 특성 선택 및 메타 학습 하이브리드 양자-고전 신경 분류기(ML-HQNC)를 결합하여 학생의 학습 행동을 분석하고 정확한 흥미 식별을 촉진합니다. 성능은 정확도, F1-스코어, 수신자 조작 특성 곡선 아래 면적(AUC)을 포함한 표준 지표와 더불어 흥미 탐지 정밀도(IDP), 양자 패턴 안정성 지수(QPSI) 및 교차 도메인 적응성 이득(CDAG)을 사용하여 평가됩니다. 이러한 상호 보완적인 구성 요소를 단일 계산 워크플로우로 통합함으로써, 제안된 프레임워크는 교육 분석 및 지능형 교육 의사결정을 위한 체계적인 접근 방식을 제공합니다.

프로토콜

본 연구에서는 Kaggle 저장소에서 얻은 공개 익명 데이터셋을 사용하였습니다. 인간 피험자를 직접 모집하거나 참여시키지 않았으며, 개인 식별 정보 또한 수집되지 않았습니다. 따라서 기관의 윤리적 승인 및 고지된 동의는 필요하지 않았습니다. 본 연구에 사용된 연구 도구들은 재료 표에 나열되어 있습니다.

1. CQEI 프레임워크 개요
제안된 양자 영감 개념 교육 지능(CQEI) 프레임워크는 Kaggle 저장소에서 획득한 교수 품질 평가 데이터셋을 사용하여 공학 전공 학생들의 관심도를 식별하기 위해 데이터 전처리, 행동 패턴 분석, 특징 선택 및 분류를 통합하였습니다. 데이터셋은 먼저 의미적 노이즈를 줄이고 입력 특징을 정규화하기 위해 Box–Cox Robust IQR Scaling(BCRIS) 방법을 사용하여 전처리되었습니다. 이후 학생의 행동 패턴은 양자 인지 상태 모델(QCSM)을 사용하여 분석되었습니다. 다음으로, 양자 최적 선택, 피드백 중요도 및 일시적 행동 변화를 모델링하여 특징 중복을 줄이는 동시에 유용한 특징을 식별하기 위해 양자 강화 군집-고래 최적화 특징 선택(QES-WOFS) 알고리즘이 적용되었습니다. 마지막으로, 메타 학습 하이브리드 양자-고전 신경 분류기(ML-HQNC)가 양자 영감 학습과 심층 잔차 의미 계층을 통합하여 학생들의 관심도를 식별하였습니다.

제안된 ML-HQNC 프레임워크의 전체 워크플로우는 그림 2에 도식화되어 있다. 프로토콜은 6가지 순차적 단계로 구성되었으며, Kaggle 저장소로부터 교육용 데이터셋을 획득하는 것으로 시작하여, Box–Cox Robust IQR Scaling (BCRIS)을 이용한 데이터 전처리, Quantum Cognitive State Model (QCSM)을 이용한 특성 변환 및 행동 표현, 그리고 Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) 알고리즘을 이용한 특성 선택 순으로 진행되었다. 선택된 특성들은 이후 Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC)를 통한 모델 훈련 및 검증에 사용되었으며, 최종적으로 정확도, F1-score, 수신자 조작 특성 곡선 아래 면적 (AUC), Interest Detection Precision (IDP), Quantum Pattern Stability Index (QPSI), 그리고 Cross-Domain Adaptability Gain (CDAG)을 사용하여 프레임워크를 평가하였다.

figure-protocol-1
그림 2: 메타 학습 하이브리드 양자-고전 신경 분류기(ML-HQNC) 프레임워크. 데이터 전처리를 위한 Box–Cox Robust IQR Scaling (BCRIS), 행동 패턴 분석을 위한 Quantum Cognitive State Model (QCSM), 특성 선택을 위한 Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) 알고리즘, 그리고 학생 흥미 분류를 위한 하이브리드 양자-고전 신경 학습을 통합한 제안된 ML-HQNC 프레임워크의 전체 아키텍처. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

2. 교육 품질 평가 데이터셋
제안된 프레임워크는 Kaggle 저장소에서 획득한 공개 교육 품질 평가 데이터셋(Teaching Quality Evaluation Dataset)을 사용하여 개발되었습니다. 해당 데이터셋에는 종합 교육 관리 플랫폼(CEMP)을 통해 수집된 학업 성취도, 평가 점수, 출석률, 교수 특성 및 학생 행동 지표를 나타내는 14가지 다차원 특성이 포함된 1,014건의 교육 기록이 포함되어 있습니다. 이러한 속성들은 공학 전공 학생들의 흥미 식별과 관련된 비선형 관계를 모델링하는 데 필요한 다차원적 교육 정보를 제공하였습니다.

그림 3에 나타낸 바와 같이, 데이터세트는 훈련(80%) 및 테스트(20%) 서브세트로 나누었습니다. 총 800개의 레코드가 제안된 모델을 훈련하는 데 사용되었으며, 200개는 성능 평가를 위해 보류되었습니다. 데이터세트는 https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset 에서 공개적으로 이용 가능합니다. 이후 훈련 및 테스트 데이터세트는 제안된 프레임워크를 사용하여 처리되었으며, 이를 통해 학습 모델을 구축하고 예측 능력을 향상시켰습니다.

기초 데이터셋의 명칭은 교수 품질 평가 데이터셋(Teaching Quality Evaluation Dataset)이지만, 본 연구의 목적은 공학 전공 학생들의 관심도를 파악하는 것이었습니다. 데이터셋에 포함된 교육적, 행동적, 교수법적 속성들은 제안된 프레임워크를 학습시키고 평가하기 위한 입력 변수로 사용되었습니다. 따라서 보고된 모든 예측 결과와 성능 지표는 교수 품질을 평가하는 것이 아니라, 공학 전공 학생들의 관심도를 식별하는 프레임워크의 효과를 나타냅니다. 데이터 전처리 전, 가져온 데이터셋의 1,014개 레코드가 모두 성공적으로 로드되었는지, 데이터셋 스키마가 예상 형식과 일치하는지 확인하였으며, 누락되거나 중복된 레코드를 식별하여 처리하였습니다.

3. Box–Cox 강건한 IQR 스케일링(BCRIS)을 이용한 데이터 전처리
극단값의 영향을 줄이기 위해 Box–Cox 변환과 사분위수 범위(IQR) 기반의 강건한 스케일링을 결합한 Box–Cox 강건한 IQR 스케일링(BCRIS) 방법을 사용하여 교육 데이터셋을 전처리하고 정규화하였습니다. 대칭 보정과 중앙값 중심 정규화를 통해 후속 분석에 적합하고 통계적으로 안정적이며 확장 가능한 특성 표현을 생성하였습니다. 제안된 교육 지능 프레임워크 내에서 BCRIS는 다차원적인 교육, 교수 및 행동 지표를 분산이 제어된 특성 표현으로 변환하였습니다. attendance_rate, interactive_sessions_percentage 및 관련 교육 변수들을 포함하는 특성들을 정규화하여 훈련 및 테스트 데이터셋의 일관성을 향상시켰습니다. 자세한 수학적 설명은 보충 파일 1(섹션 S1)에 제공되어 있습니다. BCRIS 방법은 후속 통계 분석 전에 이질적인 교육 데이터를 정규화하는 동시에, 하위 모델링에 필요한 기본 행동 특성을 보존하는 양자 호환 전처리 전략을 제공하였습니다. 행동 분석에 앞서, 전처리 파이프라인을 통해 정규화된 데이터셋에 잘못된 값이나 결측값이 없는지, 의미론적 노이즈가 감소되었는지, 그리고 처리된 특성들이 후속 행동 모델링에 적합한지를 검증하였습니다.

4. 양자 인지 상태 모델(QCSM)을 이용한 특성 변환 및 행동 표현
양자 영감을 받은 확률적 표현을 사용하여 공학 전공 학생들의 관심도 역학을 모델링하기 위해 양자 인지 상태 모델(QCSM)을 구현하였습니다. 학생의 관심도는 인지 개념의 계층 구조, 불확실성, 개념적 중첩, 여러 주제에 대한 동시 참여, 망설이거나 우유부단한 학습 행동, 그리고 학습 선호도 변화의 확률을 반영하는 여러 개념적 상태의 중첩으로 표현되었습니다. Student_Avg_Score, Attendance_rate, Student_Feedback_Rating을 포함한 공학 교수 품질 평가 데이터셋의 다차원 지표들은 정규화된 양자 상태 공간 내에서 진폭 가중치 인지 전이로 표현되었습니다. QCSM은 양자 상태 전이와 간섭 기반의 개념적 정렬을 결합하여, 시간에 따른 학생 관심도의 안정성과 진화를 반영하는 양자 영감 인지 표현을 생성하였습니다. 자세한 수학적 공식은 보충 파일 1 (섹션 S2)에 제공됩니다. QCSM은 정규화된 양자 상태 표현을 통해 지식 습득, 개념 변화, 학습 참여 및 과목 관심도를 나타내는 확률적 인지 상태를 모델링하였습니다. 행동 표현은 모든 학생 기록에 대해 검증되어, 추출된 인지 상태 특성이 학습 행동과 주제 전이를 정확하게 포착하는지 확인하였습니다.

5. 양자 강화 군집-고래 최적화 특성 선택(QES-WOFS) 알고리즘을 이용한 특성 선택
다차원 교육 데이터에서 최적의 특성 하위 집합을 식별하고 정보 가치가 높은 행동 특성을 결정하기 위해 양자 강화 군집-고래 최적화 특성 선택(QES-WOFS) 알고리즘을 사용하였습니다. 양자 영감 탐색 메커니즘은 특성 최적화를 위한 전역 및 지역 탐색 전략의 통합을 강화했습니다. interactive_sessions_percentage, assignments_time_percentage, course_completion_rate를 포함한 교육 변수들은 목표 결과와의 상관관계에 따라 평가되었습니다. 후보 특성 하위 집합은 양자 확률 표현을 사용하여 모델링되었으며, 양자 터널링 메커니즘을 통해 지역 최적점을 벗어난 확률적 전이가 가능해졌습니다. 특성 중요도는 한계 가능도(marginal likelihood)를 사용하여 분류 성능과 적응형 군집 상태에 대한 각 특성의 기여도를 정량화함으로써 추정되었습니다. QES-WOFS 알고리즘은 안정적이고 행동적으로 의미 있는 특성을 선택하여 노이즈, 학기 간 변동 및 주기적인 행동 변동에 대한 강건성을 향상시켰습니다.

Whale Optimization Algorithm (WOA) 또는 Particle Swarm Optimization (PSO)를 단독으로 사용할 때의 한계를 극복하기 위해, QES-WOFS 알고리즘은 PSO 기반의 전역 탐색과 WOA 기반의 지역 개발을 결합하였습니다. 여기에 양자 터널링 메커니즘을 추가하여 지역 최적해를 넘어선 확률적 전이를 가능하게 함으로써, 집단 다양성을 높이고 특성 중복성을 줄였으며, 공학 전공 학생의 흥미를 식별하기 위한 최적의 특성 부분 집합으로의 수렴 성능을 향상시켰습니다.

상세한 수학적 공식은 보충 파일 1 (섹션 S3)에 제공되어 있습니다. QES-WOFS 알고리즘은 양자 확률적 특성 인코딩, PSO 기반의 속도 전략, 그리고 고래의 행동에서 영감을 받은 나선형 탐색 메커니즘을 결합하여 가장 정보 가치가 높은 교육적 특성을 식별하였습니다. 하이퍼파라미터는 훈련 데이터셋을 사용하여 경험적으로 최적화되었습니다. 후보 값들은 체계적인 실험을 통해 평가되었으며, 검증 성능이 가장 높게 나타난 조합이 선택되었습니다. 구체적으로, Box–Cox 변환 파라미터 (λ = 0.25), 대조 손실 마진 (m = 1.0), 그리고 양자 터널링 계수 (α = 0.7 및 β = 0.3)가 검증 정확도, F1-score 및 수렴 동작을 기준으로 선택되었습니다. 분류기 훈련 전, QES-WOFS 알고리즘이 최적의 특성 서브셋을 선택하고 중복되거나 중요도가 낮은 특성을 제거했는지 확인하기 위해 특성 선택 결과를 검증하였습니다.

6. 메타 학습 하이브리드 양자-고전 신경 분류기(ML-HQNC)를 이용한 모델 학습 및 검증
공학 전공 학생들의 관심도를 식별하기 위해 딥 뉴럴 네트워크와 양자 영감 계산을 결합하여 메타 학습 하이브리드 양자-고전 신경 분류기(ML-HQNC)를 구현하였다. 가변 양자 회로(VQC)를 사용하여 표현된 다차원 교육 데이터 내의 복잡한 비선형 관계를 포착하기 위해 멀티 헤드 양자 어텐션 메커니즘과 딥 잔차 시맨틱 층을 적용하였다. student_average_grade, attendance_rate, student_feedback_rating을 포함하여 행동 기반으로 도출된 특징들은 양자 상태 공간으로 투영되었으며, 여기서 정규화된 입력값은 중첩 및 확률적 참여 패턴을 모델링하기 위해 진폭 기반 양자 표현으로 변환되었다. 정규화된 학생 행동 특징 벡터는 보충 파일 1(섹션 S4)에 제공된 방정식에 따라 계산되었다. 이후 ML-HQNC를 통해 공학 전공 학생들의 관심도를 분류하고 식별하였다.

ML-HQNC 분류기는 훈련 과정에서 에피소드 기반 메타 학습 전략을 사용하였습니다. 훈련 데이터셋에서 무작위로 선택된 하나의 메타 학습 태스크가 각 에피소드에 할당되었습니다. 클래스 분포를 유지하면서 훈련 데이터는 서포트 세트(80%)와 쿼리 세트(20%)로 나누어졌습니다. 서포트 세트는 내부 최적화 루프를 통해 태스크별 파라미터 적응에 사용되었으며, 쿼리 세트는 적응된 모델을 평가하고 공유 파라미터를 업데이트하는 데 사용되는 메타 손실을 계산하였습니다. 각 훈련 사이클 동안 총 100개의 메타 학습 태스크가 생성되었습니다. 내부 루프 적응에는 0.001의 내부 학습률로 5회의 그래디언트 업데이트 단계가 사용되었으며, 메타 파라미터 최적화에는 0.0005의 외부 학습률을 가진 Adam 옵티마이저가 사용되었습니다. 무작위 태스크 샘플링은 매 훈련 에포크마다 반복되어 모델이 다양한 행동 패턴에 노출되도록 함으로써 이전에 본 적 없는 학생 프로필에 대한 일반화 능력을 향상시켰습니다. 양자 대조 정렬을 위한 손실 추정은 Supplementary File 1 (Equations 41–45)에 기술되어 있습니다. 모델 훈련은 계산 오류 없이 성공적으로 수렴했는지, 그리고 훈련 및 검증 손실 곡선이 연속적인 에포크에 걸쳐 안정화되었는지 확인되었습니다.

결과

제안된 ML-HQNC 프레임워크는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score 및 수신자 조작 특성 곡선 아래 면적(AUC)을 포함한 기존 분류 지표와, 제안된 평가 지표인 관심 탐지 정밀도(IDP), 양자 패턴 안정성 지수(QPSI) 및 교차 도메인 적응성 이득(CDAG)을 사용하여 Fast R-CNN, Bi-LSTM, CNN 및 XGBoost와 비교 평가되었습니다. 이러한 지표들의 수학적 정의는 보충 파일 1 (섹션 S5)에 제공되어 있습니다.

제안된 프레임워크의 강건성을 평가하기 위해, 서로 다른 무작위 초기화를 사용하여 모든 실험을 5회 반복하였습니다. 보고된 성능 수치는 5회 실행 결과의 평균 ± 표준 편차로 표시되었습니다. 제안된 프레임워크와 베이스라인 모델 간의 통계적 유의성은 paired t-test를 사용하여 평가하였으며, p < 0.05인 경우를 통계적으로 유의미한 것으로 간주하였습니다.

부록 표 1에 요약된 바와 같이, 1,014개의 레코드가 포함된 교육 품질 평가 데이터셋을 사용하여 시뮬레이션 실험을 수행하였다. 총 800개의 레코드는 모델 학습에 사용되었으며, 200개의 레코드는 테스트를 위해 예약되었다. 제안된 ML-HQNC 프레임워크와 비교 모델들은 Python을 사용하여 Jupyter Notebook 환경에서 구현되었다. 공개된 교육 품질 평가 데이터셋에서 Teaching_Quality 속성이 원래의 타겟 변수로 사용되었으며, 이는 Good과 Excellent의 두 가지 클래스로 구성되었다. 이 레이블들은 ML-HQNC 프레임워크의 학습 및 평가를 위한 예측 타겟으로 사용되었다. 그 결과인 예측 카테고리는 표 3에 요약되어 있다. 부록 표 2는 Box–Cox Robust IQR Scaling (BCRIS) 전처리 단계의 검증 결과를 요약한 것이다. 전처리 파이프라인은 특성 변환 및 모델 학습 전에 누락 및 중복 레코드를 제거하고, 이상치의 영향을 줄이며, 특성 분포를 정규화하고, 의미적 및 행동적 일관성을 개선하였다.

표 3: 교육 품질 평가 데이터셋의 타겟 변수. 원래의 Teaching_Quality 타겟 변수에 대한 설명과 모델 학습 및 평가에 사용된 분류 범주(Good 및 Excellent)입니다. 여기를 클릭하여 이 표를 다운로드하십시오.

부록 표 3은 양자 인지 상태 모델(Quantum Cognitive State Model, QCSM)에 의해 생성된 대표적인 특징들을 보여줍니다. 추출된 특징들은 인지 상태, 참여도, 불확실성, 주제 전환 및 행동 일관성을 포함한 학생의 학습 행동을 설명하며, 이후의 QES-WOFS 특징 선택 단계의 입력값으로 사용되었습니다. 부록 표 S4에는 QES-WOFS 알고리즘에 의해 최종 선택된 특징들이 해당 특징 카테고리, 상대적 영향 수준 및 제안된 프레임워크 내에서의 기능적 역할과 함께 나열되어 있습니다. 추출된 다차원 행동 특징들의 특성은 부록 표 5에 요약되어 있습니다. 부록 표 6은 두 가지 예측 클래스(Good 및 Excellent)에 대한 행동 표현 과정에서 생성된 대표적인 엣지 구조를 보여줍니다.

그림 4 및 표 4에 나타낸 바와 같이, 제안된 ML-HQNC 프레임워크는 평가된 방법들 중 가장 높은 F1-score(87.9%)를 달성하였다. Fast R-CNN, Bi-LSTM, CNN, XGBoost의 해당 F1-score는 각각 77.9%, 80.2%, 82.8%, 85.8%였다. 통계적 유의성은 양측 독립 t-검정(p < 0.05)을 사용하여 평가하였다.

그림 5 및 표 5는 관심 탐지 정밀도(IDP) 결과를 요약한 것이다. 제안된 ML-HQNC 프레임워크는 89.3%의 IDP를 달성했으며, 이는 Fast R-CNN, Bi-LSTM, CNN, XGBoost가 각각 달성한 79.11%, 82.12%, 84.6%, 87.10%와 대비된다. 그림 6 및 표 6은 양자 패턴 안정성 지수(QPSI) 결과를 보여준다. 제안된 프레임워크는 92.7%의 QPSI 값을 달성한 반면, Fast R-CNN, Bi-LSTM, CNN, XGBoost는 각각 81.1%, 84.11%, 87.4%, 90.9%를 달성했다. 그림 7 및 표 7은 교차 도메인 적응성 이득(CDAG) 결과를 요약한 것이다. 제안된 ML-HQNC 프레임워크는 Fast R-CNN(0.78), Bi-LSTM(0.83), CNN(0.80), XGBoost(0.86)와 비교하여 가장 높은 CDAG 값(0.95)을 달성했다. 그림 8 및 표 8에서 알 수 있듯이, 제안된 ML-HQNC 프레임워크는 가장 높은 분류 정확도(96.17%)를 달성했다. Fast R-CNN, Bi-LSTM, CNN, XGBoost의 해당 정확도는 각각 85.10%, 87.21%, 90.14%, 93.19%였다. 그림 9 및 표 9는 각 방법론에 소요된 계산 시간을 보여준다. 제안된 ML-HQNC 프레임워크는 9.02 ms가 소요된 반면, Fast R-CNN, Bi-LSTM, CNN, XGBoost는 각각 31.2 ms, 27.5 ms, 22.4 ms, 17.6 ms가 소요되었다. 그림 10은 수신자 조작 특성(ROC) 분석 결과를 보여준다. 제안된 ML-HQNC 프레임워크는 0.944의 AUC를 달성했으며, 이는 평가된 분류 임계값 전반에서 높은 진양성률과 낮은 위양성률을 나타낸다.

figure-results-1
그림 4: 다양한 데이터셋 크기에 따른 F1-score 비교. 다양한 데이터셋 크기에서 ML-HQNC와 경쟁 모델들이 달성한 F1-score의 비교. 결과는 5회의 독립적인 실험 반복(n = 5)에 대한 평균 ± 표준 편차로 표기되었다. 오차 막대는 1 표준 편차를 나타낸다. 통계적 유의성은 양측 독립 t-검정(p < 0.05)을 사용하여 평가되었다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 4: 다양한 데이터셋 크기에 따른 F1-score 비교. ML-HQNC와 경쟁 모델들이 달성한 F1-score의 비교. 결과는 5회의 독립적인 실험 수행(n = 5)에 대한 평균 ± 표준편차로 표기되었다. 이 표를 다운로드하려면 여기를 클릭하십시오.

figure-results-2
그림 5: 다양한 데이터셋 크기에 따른 관심 영역 검출 정밀도(IDP) 비교.다양한 데이터셋 크기에서 ML-HQNC와 경쟁 모델들이 달성한 관심 영역 검출 정밀도(IDP)의 비교. 결과는 5회의 독립적인 실험 실행(n = 5)에 대한 평균 ± 표준 편차로 보고되었다. 오차 막대는 1 표준 편차를 나타낸다. 통계적 유의성은 양측 독립 t-검정(p < 0.05)을 사용하여 평가되었다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 5: 다양한 데이터셋 크기에 따른 관심 영역 검출 정밀도(Interest Detection Precision, IDP) 비교. ML-HQNC와 경쟁 모델들이 달성한 관심 영역 검출 정밀도(IDP)의 비교. 결과는 5회의 독립적인 실험 수행(n = 5)에 대한 평균 ± 표준 편차로 표시되었습니다. 이 표를 다운로드하려면 여기를 클릭하십시오.

figure-results-3
그림 6: 다양한 데이터셋 크기에 따른 양자 패턴 안정성 지수(QPSI) 비교. 다양한 데이터셋 크기에서 ML-HQNC와 경쟁 모델들이 달성한 양자 패턴 안정성 지수(QPSI)의 비교 결과이다. 결과는 5회의 독립적인 실험 실행(n = 5)에 대한 평균 ± 표준 편차로 표시되었다. 오차 막대는 1 표준 편차를 나타낸다. 통계적 유의성은 양측 독립 t-검정(p < 0.05)을 사용하여 평가되었다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 6: 다양한 데이터셋 크기에 따른 양자 패턴 안정성 지수(QPSI) 비교. ML-HQNC와 경쟁 모델들이 달성한 양자 패턴 안정성 지수(QPSI)의 비교. 결과는 5회의 독립적인 실험 반복(n = 5)에 대한 평균 ± 표준편차로 보고되었다. 이 표를 다운로드하려면 여기를 클릭하십시오.

figure-results-4
그림 7: 다양한 데이터셋 크기에 따른 교차 도메인 적응력 이득(CDAG) 비교. 다양한 데이터셋 크기에서 ML-HQNC와 경쟁 모델들이 달성한 교차 도메인 적응력 이득(CDAG)의 비교. 결과는 5회의 독립적인 실험 반복(n = 5)에 대한 평균 ± 표준편차로 보고되었다. 오차 막대는 1표준편차를 나타낸다. 통계적 유의성은 양측 독립 t-검정(p < 0.05)을 사용하여 평가되었다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 7: 서로 다른 데이터셋 크기에 따른 교차 도메인 적응성 이득(CDAG) 비교. ML-HQNC와 경쟁 모델들이 달성한 교차 도메인 적응성 이득(CDAG)의 비교. 결과는 5회의 독립적인 실험 실행(n = 5)에 대한 평균 ± 표준편차로 보고되었다. 이 표를 다운로드하려면 여기를 클릭하십시오.

figure-results-5
그림 8: 다양한 데이터셋 크기에 따른 분류 정확도 비교. 다양한 데이터셋 크기에서 ML-HQNC와 경쟁 모델들이 달성한 분류 정확도를 비교한 결과입니다. 결과는 5회의 독립적인 실험 반복(n = 5)에 대한 평균 ± 표준 편차로 표시되었습니다. 오차 막대는 1 표준 편차를 나타냅니다. 통계적 유의성은 양측 독립 t-검정(p < 0.05)을 사용하여 평가되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 8: 서로 다른 데이터셋 크기에 따른 분류 정확도 비교. ML-HQNC와 경쟁 모델들이 달성한 분류 정확도 비교. 결과는 5회의 독립적인 실험 횟수(n = 5)에 대한 평균 ± 표준 편차로 보고됨. 이 표를 다운로드하려면 여기를 클릭하십시오.

figure-results-6
그림 9: 다양한 데이터셋 크기에 따른 계산 시간 비교. 다양한 데이터셋 크기에서 ML-HQNC와 경쟁 모델들의 계산 실행 시간을 비교한 결과입니다. 결과는 5회의 독립적인 실험 실행(n = 5)에 대한 평균 ± 표준편차로 보고되었습니다. 오차 막대는 1 표준편차를 나타냅니다. 값이 낮을수록 계산 실행 시간이 짧음을 의미합니다. 통계적 유의성은 양측 독립 t-검정(p < 0.05)을 사용하여 평가되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 9: 다양한 데이터셋 크기에 따른 계산 시간 비교. ML-HQNC와 경쟁 모델의 계산 실행 시간 비교. 결과는 5회의 독립적인 실험 반복(n = 5)에 대한 평균 ± 표준편차로 표시됨. 값이 낮을수록 계산 실행 시간이 짧음을 나타냄. 여기를 클릭하여 이 표를 다운로드하십시오.

figure-results-7
그림 10: 수신자 조작 특성 곡선 아래 면적(AUC) 비교.공학 전공 학생의 관심도 식별을 위해 ML-HQNC와 경쟁 모델이 달성한 AUC 비교. 보고된 AUC 값은 단일 실험 실행 결과에 해당하므로, 오차 막대와 통계적 유의성 분석은 제시되지 않았습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

부록 그림 1은 대표적인 행동 변수의 상관 행렬을 보여줍니다. Avg_Score와 Course_Completion_Rate (0.81), 그리고 Attendance_Rate와 Course_Completion_Rate (0.75) 사이에서 강한 양의 상관관계가 관찰되었습니다. Avg_Score와 Course_Completion (0.72), 그리고 Attendance_Rate와 Time_Assignment_Percentage (0.74) 사이에서는 중간 정도의 상관관계가 관찰되었습니다. 부록 그림 2 및 3과 표 10은 훈련 및 테스트 정확도 맵을 요약하여 보여줍니다. 제안된 ML-HQNC 프레임워크는 훈련 정확도 96.1%와 테스트 정확도 93.8%를 달성하여 비교 방법들의 성능을 상회하였습니다. 부록 그림 4 및 5와 표 11은 수렴 분석 결과를 요약하여 보여줍니다. 제안된 ML-HQNC 프레임워크는 최적화 과정 전반에 걸쳐 안정적인 수렴을 보이며 가장 낮은 훈련 손실(0.21)과 테스트 손실(0.26)을 달성하였습니다.

표 12는 제안된 ML-HQNC 프레임워크와 비교 방법들의 모든 평가 지표에 따른 전반적인 성능을 요약하여 보여줍니다. 제안된 프레임워크는 평가된 방법들 중 가장 짧은 계산 시간을 요구하면서도 Accuracy, F1-score, AUC, IDP, QPSI 및 CDAG에서 가장 높은 성능을 달성했습니다. 표 13은 제안된 프레임워크의 구성 요소별 어블레이션 분석(ablation analysis) 결과를 나타냅니다. BCRIS 전처리 단계, QCSM 행동 표현, QES-WOFS 특징 선택 알고리즘, 그리고 전체 ML-HQNC 분류기를 순차적으로 통합함에 따라 분류 성능이 점진적으로 향상되었으며, 이는 전체 프레임워크에서 각 구성 요소가 기여하는 바를 입증합니다.

표 10: 훈련 및 테스트 정확도 비교. ML-HQNC와 경쟁 모델들이 달성한 훈련 및 테스트 정확도 비교. 보고된 값은 단일 실험 실행 결과에 해당함. 이 표를 다운로드하려면 여기를 클릭하십시오.

표 11: 훈련 및 테스트 손실 비교. ML-HQNC와 경쟁 모델들이 달성한 훈련 및 테스트 손실의 비교. 보고된 값은 단일 실험 실행 결과에 해당함. 이 표를 다운로드하려면 여기를 클릭하십시오.

표 12: 종합 성능 비교. 다양한 평가 지표를 이용한 ML-HQNC와 경쟁 모델의 비교. 결과는 5회의 독립적인 실험 수행(n = 5)에 대한 평균 ± 표준 편차로 표시되었다. 여기에서 이 표를 다운로드하십시오.

데이터 가용성:
본 연구에 사용된 원본 교육 품질 평가 데이터셋(Teaching Quality Evaluation Dataset)은 Kaggle 저장소(https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset)에서 공개적으로 이용 가능합니다. 데이터셋에 액세스하려면 사용자 인증이 필요할 수 있으며, Kaggle의 이용 약관이 적용됩니다. 원본 데이터셋의 라이선스 조건을 준수하면서 재현성을 지원하기 위해, 합성 데이터셋, 소스 코드, 구현 및 설정 파일, 특성 설명, 전처리 워크플로 및 보고된 실험을 재현하는 데 필요한 지원 문서를 포함하여 본 연구에서 생성된 리소스는 공개 액세스가 가능한 Zenodo 저장소(https://doi.org/10.5281/zenodo.21393413)에 등록되었습니다.

figure-results-8
그림 3: 교육 품질 평가 데이터셋의 특성 수집. 공학 전공 학생의 관심도 식별을 위해 사용된 교육 품질 평가 데이터셋의 구조 및 특성 구성. 여기를 클릭하여 이 그림의 더 큰 버전을 확인하십시오.

보충 그림 1: 특성 상관 행렬. 제안된 ML-HQNC 프레임워크에서 사용된 대표적인 교육 및 행동 변수 간의 쌍별 관계를 보여주는 상관 행렬. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 2: 훈련 정확도 비교. 훈련 과정 동안 ML-HQNC와 경쟁 모델들이 달성한 훈련 정확도의 비교. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 3: 테스트 정확도 비교. 테스트 과정 전반에 걸쳐 ML-HQNC와 경쟁 모델들이 달성한 테스트 정확도의 비교. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 4: 훈련 손실 분석. 모델 최적화 과정 동안 ML-HQNC와 경쟁 모델들이 달성한 훈련 손실의 비교. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 그림 5: 테스트 손실 분석. 모델 평가 과정에서 ML-HQNC와 경쟁 모델들이 달성한 테스트 손실 비교.  이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 표 1: 시뮬레이션 매개변수 및 실험 설정. 제안된 ML-HQNC 프레임워크를 평가하는 데 사용된 시뮬레이션 매개변수, 구현 환경, 데이터셋 분할 및 실험 설정의 요약. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 표 2: Box–Cox Robust IQR Scaling (BCRIS) 전처리 단계의 검증 결과. 결측치, 중복 기록, 이상치 처리, 특성 정규화 및 데이터 일관성을 포함하여 전처리 전후의 대표적인 데이터셋 특성 비교. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 표 3: 양자 인지 상태 모델(Quantum Cognitive State Model, QCSM)에 의해 생성된 대표적 특성. 인지 상태, 몰입도, 불확실성, 주제 전환 및 행동 일관성 특성을 포함하여 데이터 전처리 후 QCSM에 의해 생성된 대표적 행동 특성. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 표 4: 양자 강화 군집-고래 최적화 특성 선택(QES-WOFS) 알고리즘에 의해 선택된 특성들. QES-WOFS 알고리즘으로 선택된 최종 특성 서브셋과 해당 특성 범주, 상대적 영향 수준 및 제안된 프레임워크 내에서의 기능적 역할. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 표 5: 교수 품질 예측 범주. 제안된 ML-HQNC 프레임워크에서 사용된 예측 범주의 설명 및 대표적인 행동 특성. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 표 6: 마진 민감도 분석. 모델 평가 중에 사용된 마진 민감도 분석의 요약. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 1: 보충 방법, 수학적 공식, 평가 지표 및 보충 표.이 파일에는 메인 프로토콜에서 설명한 Box–Cox Robust IQR Scaling (BCRIS), Quantum Cognitive State Model (QCSM), Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) 및 Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC)에 대한 상세한 수학적 공식이 포함되어 있습니다. 또한 평가 지표의 정의, 시뮬레이션 파라미터, 실험 설정 및 메인 원고에 제시된 결과를 뒷받침하는 보충 표 S1–S6가 포함되어 있습니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

토론

제안된 ML-HQNC 프레임워크는 양자 영감 행동 모델링, 적응형 특성 선택 및 메타 학습을 통합된 계산 워크플로우로 결합함으로써 공학 전공 학생의 관심도를 식별하는 성능이 향상되었음을 입증하였습니다. Fast R-CNN, Bi-LSTM, CNN 및 XGBoost와 비교했을 때, 해당 프레임워크는 전통적인 분류 지표와 제안된 행동 평가 지표 전반에서 일관되게 더 높은 성능을 달성하였습니다. 이러한 결과는 양자 영감 인지 상태 표현과 적응형 특성 최적화를 결합함으로써, 견고한 분류 성능을 유지하는 동시에 복잡한 교육적 행동을 모델링하는 프레임워크의 능력이 향상되었음을 시사합니다. 낮은 계산 시간과 훈련 및 테스트 성능 간의 작은 차이는 안정적인 최적화와 우수한 일반화 능력을 추가적으로 나타냅니다.

제안된 평가 지표는 행동 모델링에 대한 추가 정보를 제공함으로써 기존의 분류 척도를 보완하였습니다. 관심 탐지 정밀도(Interest Detection Precision, IDP)는 관심 식별의 정확도를 정량화하였고, 양자 패턴 안정성 지수(Quantum Pattern Stability Index, QPSI)는 양자 영감 행동 표현의 안정성을 평가했으며, 교차 도메인 적응성 이득(Cross-Domain Adaptability Gain, CDAG)은 서로 다른 데이터 파티션에 걸쳐 일반화하는 프레임워크의 능력을 평가하였습니다. 종합적으로, 이러한 측정법들은 기존의 예측 지표만으로 평가하는 것보다 모델 성능에 대한 더 광범위한 평가를 가능하게 하였습니다.

구성 요소별 제거 분석(표 13제안된 워크플로의 각 단계가 기여하는 바를 추가로 입증하였습니다. Box–Cox Robust IQR Scaling (BCRIS) 전처리 단계를 통합함으로써 이상치의 영향을 줄이고 정규화된 특징 표현을 생성하여 데이터 일관성을 향상시켰습니다. Quantum Cognitive State Model (QCSM)은 다차원 교육 변수를 불확실성, 참여도 및 진화하는 학습 선호도를 포착하는 행동 표현으로 변환하였습니다. 이어서 Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) 알고리즘을 이용한 특징 선택을 통해 정보가 풍부한 행동 특성은 유지하면서 특징의 중복성을 줄였습니다. 마지막으로, 이러한 구성 요소들을 Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) 내에 통합함으로써 베이스라인 모델들과 비교하여 분류 성능과 일반화 능력을 향상시켰습니다.

제안된 프로토콜은 디지털 학습 환경에서 수집된 다차원 교육 및 행동 데이터를 사용하여 공학 전공 학생의 관심 분야를 식별하기 위한 것입니다. 이 계산 워크플로우는 학생의 학습 행동을 분석하고 진화하는 관심사를 식별하는 체계적인 접근 방식을 제공함으로써 개인 맞춤형 학습, 학업 상담, 커리큘럼 계획 및 지능형 교육 관리를 지원할 수 있습니다. 이 프레임워크는 행동, 학업 및 상황적 변수를 포함하는 구조화된 교육 데이터셋에 특히 적합합니다.

성공적인 구현은 고품질 교육 데이터의 가용성과 적절한 계산 자원에 달려 있습니다. 데이터 품질은 전처리 및 후속 행동 모델링에 직접적인 영향을 미치므로, 분석 전에 교육 데이터셋에서 결측값, 중복 기록 및 불일치 여부를 검토해야 합니다. 안정적인 특성 표현 또한 적절한 전처리, 특성 변환 및 하이퍼파라미터 최적화에 의해 결정됩니다. 모델 학습 중에는 학습 및 검증 손실 곡선을 통해 수렴 여부를 모니터링해야 하며, 안정적인 학습 동작을 유지하기 위해 필요한 경우 최적화 매개변수를 조정해야 합니다.

본 프레임워크는 평가 데이터셋을 통해 효과적인 성능을 입증하였으나, 몇 가지 제한 사항을 고려해야 합니다. 본 프로토콜은 단일 공개 교육 데이터셋을 사용하여 검증되었으며, 일반화 가능성을 추가로 평가하기 위해서는 더 크고 다기관적이며 더욱 다양한 교육 데이터셋을 이용한 추가 평가가 필요합니다. 또한, 하이브리드 양자 영감 학습 프레임워크는 전처리, 최적화 및 하이브리드 학습 구성 요소로 인해 기존의 머신러닝 방식보다 더 많은 계산 자원을 필요로 합니다. 아울러 본 프레임워크는 정밀하게 주석이 달린 교육 데이터에 의존하므로, 불완전하거나 노이즈가 많거나 매우 불균형한 데이터셋에 의해 성능이 영향을 받을 수 있습니다.

향후 연구는 이 프레임워크를 더 세분화된 다중 클래스 학생 관심도 식별로 확장하고, 텍스트 피드백, 시계열 학습 행동, 실시간 학습 관리 시스템 활동 로그와 같은 추가적인 교육 데이터 모달리티를 통합하며, 다양한 공학 교육 환경에서 프로토콜을 평가하는 데 집중할 것입니다. 계산 워크플로우의 추가적인 최적화는 확장성을 개선하고 대규모 교육 관리 시스템으로의 배포를 용이하게 할 수 있습니다.

요약하자면, 제안된 ML-HQNC 프레임워크는 다차원 교육 데이터를 사용하여 공학 전공 학생의 관심도를 식별하기 위한 재현 가능한 계산 워크플로우를 제공합니다. 견고한 전처리, 양자 영감 행동 모델링, 적응형 특성 선택 및 하이브리드 양자-고전 신경망 학습을 통합함으로써, 이 프레임워크는 안정적인 최적화와 효율적인 계산을 유지하면서 향상된 분류 성능을 달성했습니다. 이러한 특성은 지능형 교육 분석 및 공학 교육 관리 분야에서의 잠재적 적용 가능성을 뒷받침합니다.

공개 사항

저자는 이해상충이 없음을 선언합니다.

감사의 글

저자는 본 연구가 원활히 진행될 수 있도록 학술적 지원과 연구 환경을 제공해 준 중국 벵부 대학교(Bengbu University)에 감사를 표합니다. 본 연구를 위해 외부 펀딩은 지원받지 않았습니다. 본 연구는 벵부 대학교의 2025년도 연례 학교 수준 품질 공학 프로젝트(No. 2025zhkc1)의 지원을 받았습니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
기준 모델 (Fast R-CNN, Bi-LSTM, CNN, XGBoost)오픈 소스 구현체Fast R-CNN (2015); TensorFlow/Keras 구현체 v2.16; XGBoost v2.1.1비교 성능 평가에 사용된 벤치마크 모델.
BCRIS 전처리 모듈본 연구에서 개발Version 1.0Box-Cox 변환 및 로버스트 IQR 정규화를 구현한 맞춤형 전처리 모듈.
Jupyter NotebookProject JupyterVersion 7.2.2구현, 학습 및 테스트에 사용된 대화형 개발 환경.
ML-HQNC 분류기본 연구에서 개발Version 1.0메타 학습 프레임워크를 갖춘 제안된 하이브리드 양자-고전 신경망 분류기.
PythonPython Software FoundationVersion 3.11.9모델 개발 및 실험에 사용된 프로그래밍 언어.
PyTorchPyTorch FoundationVersion 2.5.1모델 구현 및 학습에 사용된 딥러닝 프레임워크.
QCSM 모델본 연구에서 개발Version 1.0행동 패턴 표현을 위해 제안된 양자 인지 상태 모델.
QES-WOFS 알고리즘본 연구에서 개발Version 1.0제안된 양자 강화 군집–고래 최적화 특성 선택 알고리즘.
Scikit-learnScikit-learn DevelopersVersion 1.6.1전처리, 특성 선택 및 평가에 사용된 머신러닝 라이브러리.

참고문헌

  1. Xu Q, Deng H. Research on education management system based on machine learning and multidimensional data modeling. Applied Mathematics and Nonlinear Sciences. 2024;9(1). https://dialnet.unirioja.es/servlet/articulo?codigo=9386765
  2. Li D. An interactive teaching evaluation system for preschool education in universities based on machine learning algorithm. Comput Hum Behav. 2024;157:108211. https://doi.org/10.1016/j.chb.2024.108211
  3. Chunhua H, Kaabar MKA, Qiuju X, Zhang G. Fuzzy comprehensive evaluation of students' classroom experience in online teaching. International Journal of Emerging Technologies in Learning. 2023;18(21):79-88.
  4. He Z, et al. Assessment of influencing factors of college and universities' teaching effects using fuzzy and deep learning techniques. Scientific Reports. 2026;16:5168. https://doi.org/10.1038/s41598-026-35940-5
  5. Liu J. Innovation and practice of educational management system in colleges and universities based on the concept of data analysis education. Applied Mathematics and Nonlinear Sciences. 2023;9(1). https://www.researchgate.net/publication/377568313
  6. Li C, Cao Z. Deep learning-based AI model for predicting academic success and engagement among physical higher education students. Scientific Reports. 2025;15:45471. https://doi.org/10.1038/s41598-025-29000-7
  7. Kong Y, Dong R, Zhang H. Classroom behavior analysis and digital teaching quality evaluation based on spatiotemporal graph neural network. Discover Artificial Intelligence. 2025;5:404. https://doi.org/10.1007/s44163-025-00623-z
  8. Zedan F, Jabali RR, Raiyn J. Detecting student inattention using deep learning and behavioral analysis. Journal of International Education Practice. 2026;9(1):1-17.
  9. Feng F. Deep learning-based model for analyzing student engagement in activities. Scientific Reports. 2025;16:2552. https://doi.org/10.1038/s41598-025-32521-w
  10. Turkmenbayev A, et al. The application of machine learning in predicting student performance in university engineering programs: A rapid review. Frontiers in Education. 2025;10:1562586. https://doi.org/10.3389/feduc.2025.1562586
  11. Albreiki B, Zaki N, Alashwal H. A systematic literature review of student performance prediction using machine learning techniques. Education Sciences. 2021;11(9):552. https://doi.org/10.3390/educsci11090552
  12. Lai Q. Research on the refinement of college student education management based on artificial intelligence. Discover Artificial Intelligence. 2026;6:31. https://doi.org/10.1007/s44163-025-00651-9
  13. Yuanyuan L, et al. Research on the application framework of intelligent technologies to promote teachers' classroom teaching behavior evaluation. Frontiers of Education in China. 2023;18(1):12–35. https://doi.org/10.3868/s110-008-023-0012-8
  14. Shi Y, Sun F, Zuo H, Peng F. Analysis of learning behavior characteristics and prediction of learning effect for improving college students' information literacy based on machine learning. IEEE Access. 2023;11:50447-50461.
  15. Liu S, Zhang J, Su W. An improved method of identifying learner's behaviors based on deep learning. Journal of Supercomputing. 2022;78(10):12861-12872.
  16. Yang J. Accurate prediction and analysis of college students' performance from online learning behavior data. IEIE Transactions on Smart Processing and Computing. 2023;12(3):404-411.
  17. Xie Y, Zhang S, Liu Y. Abnormal behavior recognition in classroom pose estimation of college students based on spatiotemporal representation learning. Traitement du Signal. 2021;38(6):1769-1778.
  18. Shen X, Yuan C. A college student behavior analysis and management method based on machine learning technology. Wireless Communications and Mobile Computing. 2021;2021:6611630. https://doi.org/10.1155/2021/6611630
  19. Li G, et al. A convolutional neural network-based approach for the recognition and evaluation of classroom teaching behavior. Scientific Programming. 2021;2021:5513886. https://doi.org/10.1155/2021/5513886
  20. Feng C, et al. IMRMB-Net: A lightweight student behavior recognition model for complex classroom scenarios. PLoS ONE. 2025;20(2):e0318817. https://doi.org/10.1371/journal.pone.0318817
  21. Zhang Y, Liu T, Ru B. Effect evaluation and student behavior design method of moral education in colleges and universities under the environment of deep learning. Scientific Programming. 2022;2022:6056117. https://doi.org/10.1155/2022/6056117
  22. Liu C, Wang H, Yuan Z. A method for predicting the academic performances of college students based on education system data. Mathematics. 2022;10(19):3737. https://doi.org/10.3390/math10193737
  23. Vora DR, Iyer KR. Deep learning in engineering education: performance prediction using cuckoo-based hybrid classification. In: Machine Learning and Deep Learning in Real-Time Applications. Studies in Computational Intelligence, Vol. 841, pp. 187-218. Springer; Singapore; 2020.
  24. Li H, Liu Z. An intelligent educational system: analyzing student behavior and academic performance using multi-source data. Electronics. 2024;14(16):3328. https://doi.org/10.3390/electronics14163328
  25. Zhang Y, Li J. Deep learning-based model for predicting student learning behavior: a pathway to early intervention and enhanced outcomes. Journal of Computational Methods in Sciences and Engineering. 2025;25(2):1169-1184.
  26. Jia Q, He J. Student behavior recognition in classroom based on deep learning. Applied Sciences. 2024;14(18):7981. https://doi.org/10.3390/app14187981
  27. Luo H. Prediction of student decision-making behaviour based on machine learning algorithms. Pakistan Journal of Life and Social Sciences. 2024;22(2):11045-11058.
  28. Abdi A, Sedrakyan G, Veldkamp B. Students' feedback analysis model using deep learning-based method and linguistic knowledge for intelligent educational systems. Soft Computing. 2023;27(38):14073-14094.
  29. Ning X. Behavior recognition of college students based on improved deep learning algorithm. International Journal of Web-Based Learning and Teaching Technologies. 2023;18(1):1-16.
  30. Sravya MN, Prashanth D, Saifa S, Reddy LS. A comprehensive analysis of learning behaviour characteristics and predictive modeling of learning outcomes to enhance college-level academic performance. International Journal of Pharmacy and Medical Sciences. 2025;5(2):94-100.
  31. Kalita E, et al. Predicting student academic performance using Bi-LSTM: a deep learning framework with SHAP-based interpretability and statistical validation. Frontiers in Education. 2025;10:1581247. https://doi.org/10.3389/feduc.2025.1581247
  32. Alias MAH, Hambali N, Aziz MAA. Feature selection techniques and classification algorithms for student performance classification: a review. International Journal of Electrical and Computer Engineering. 2024;14(3):3230-3242.
  33. Wang Z, et al. Students' classroom behavior detection system incorporating deformable DETR with Swin Transformer and lightweight feature pyramid network. Systems. 2023;11(7):372. https://doi.org/10.3390/systems11070372
  34. Zou X. Design of student behavior analysis and management system based on deep learning. International Journal of High Speed Electronics and Systems. 2024;33(1):2450005. https://doi.org/10.1142/S012915642450005X
  35. Zhang Q. The impact of machine learning-based student behaviour detection on teaching in classroom scenarios. Journal of Information and Knowledge Management. 2025;24(1):2450101. https://doi.org/10.1142/S021964922450101X
  36. Yu C, Wang Y. College student management system based on K-means clustering algorithm. Int J New Dev Educ. 2022;4(2):28-33.
  37. Chen J, Lu H. Evaluation method of classroom teaching effect under intelligent teaching mode. Mobile Networks and Applications. 2022;27(3):1262-1270.
  38. Han X, Chen X. The evaluation model of engineering practice teaching with complex network analytic hierarchy process based on deep learning. Scientific Reports. 2025;15:14733. https://doi.org/10.1038/s41598-025-14733-x
  39. Guo S, et al. The analysis of teaching quality evaluation for college sports dance by convolutional neural network model and deep learning. Heliyon. 2024;10(8):e36067. https://doi.org/10.1016/j.heliyon.2024.e36067
  40. Gao Y. Deep learning-based strategies for evaluating and enhancing university teaching quality. Computers and Education: Artificial Intelligence. 2025;8:100362. https://doi.org/10.1016/j.caeai.2025.100362
  41. Li Y, Lu B. Intelligent educational systems based on adaptive learning algorithms and multimodal behavior modeling. PeerJ Computer Science. 2025;11:e3157. https://doi.org/10.7717/peerj-cs.3157
  42. Geng F, John AD, Chinnappan CV. Analysis of the teaching quality using novel deep learning-based intelligent classroom teaching framework. Progress in Artificial Intelligence. 2023;12(2):147-162.
  43. Veluri RK, et al. Learning analytics using deep learning techniques for efficiently managing educational institutes. Materials Today: Proceedings. 2022;51(Part 8):2317-2320.
  44. Chen W, Min L. The evaluation model of physical education teaching performance based on deep learning algorithm. Scalable Computing: Practice and Experience. 2025;26(3):458-466.
  45. Zhang Y. A comprehensive evaluation system for physical education teaching effectiveness supported by multimodal machine learning. Discover Artificial Intelligence. 2026;6:75. https://doi.org/10.1007/s44163-026-00075-x
  46. Pei Y, Lu G. Design of an intelligent educational evaluation system using deep learning. IEEE Access. 2023;11:29790-29799.
  47. Ding J, Su Y. A teaching management system for physical education in colleges and universities using the theory of multiple intelligences and SVM. Soft Computing. 2024;28(2):685-701.
  48. Li Y, Zhang L, Tian Y, Qi W. Research on teaching practice of blended higher education based on deep learning route. Computational Intelligence and Neuroscience. 2022;2022:5751843. https://doi.org/10.1155/2022/5751843
  49. Jiang X, Du Y, Zheng Y. Evaluation of physical education teaching effect using Random Forest model under artificial intelligence. Heliyon. 2024;10(1):e23576. https://doi.org/10.1016/j.heliyon.2024.e23576
  50. Li S, Liu T. Performance prediction for higher education students using deep learning. Complexity. 2021;2021:6620684. https://doi.org/10.1155/2021/6620684
  51. Alnasyan B, Basheri M, Alassafi MO, Alnasyan K. Kanformer: An Attention-Enhanced Deep Learning Model for Predicting Student Performance in Virtual Learning Environments. Social Network Analysis and Mining. 2025;15:25. https://doi.org/10.1007/s13278-025-01446-7
  52. Lu Y, Tong L, Cheng Y. Advanced Knowledge Tracing: Incorporating Process Data and Curricula Information via an Attention-Based Framework for Accuracy and Interpretability. Journal of Educational Data Mining. 2024;16(2):58-84.

재인쇄 및 허가

태그

EngineeringDeep LearningClassical engineering student modelEngineering CollegeTeaching management systemBCRISQES WOFS and ML HQNC
문의하기
사서에게 추천하기

개인정보

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.