중등 학습자 EEG 기반 학습 몰입도 및 인지부하의 개인화 분석을 위한 합성곱 신경망 모델 연구 = Personalized EEG-Based Analysis of Learning Engagement and Cognitive Load in Middle School Students Using Convolutional Neural Networks

국문 초록 (Abstract)

중등 학습자 EEG 기반 학습 몰입도 및 인지부하의 개인화 분석을 위한 합성곱 신경망 모델 연구

코로나19 팬데믹은 우리의 일상뿐만 아니라 교육 환경 전반에 걸쳐 급격한 변화를 초래하였다. 전 세계적으로 오프라인 대면 교육의 한계가 명확해지면서, 온라인 비대면 수업 환경은 일시적인 대안이 아닌 필수적인 교육 방식으로 자리 잡았다. 그러나 이러한 변화는 교수·학습 방식에 새로운 과제를 제시하였다. 특히 온라인 수업 환경에서는 교수자가 학습자와 물리적으로 분리된 상태에서 다수의 학습자를 동시에 지도해야 하므로, 전통적인 대면 수업에서 가능했던 개별 학습자에 대한 세밀한 관찰과 즉각적인 피드백 제공이 어렵다는 문제가 발생하였다.

온라인 비대면 수업에서는 학습자의 표정, 시선, 태도와 같은 물리적 신호를 통해 학습 상태를 파악하기 어렵기 때문에, 학습자가 실제로 수업에 몰입하고 있는지 또는 인지적 부담으로 인해 집중력이 저하되고 있는지를 판단하는 데 한계가 존재한다. 이러한 한계는 특히 중등 학습자에게 더욱 두드러지게 나타난다. 중등 학습자는 인지 발달 단계상 주의 집중 능력, 정보 처리 전략, 선행 지식 수준에서 개인 간 차이가 크며, 동일한 학습 과제에서도 인지부하 수준이 상이하게 형성될 수 있다. 이와 같은 인지부하의 차이는 학습 몰입도와 학습 성과의 편차로 이어질 가능성이 크다.

기존의 온라인 교육 환경에서는 학습자의 몰입 상태를 파악하기 위해 설문 조사나 학습 로그 분석과 같은 간접적인 방법이 주로 활용되어 왔다. 그러나 이러한 방법은 학습자의 주관적 응답에 의존하거나 사후 분석에 국한되는 경우가 많아, 학습 과정 중 실시간으로 변화하는 인지 상태를 정밀하게 반영하는 데 한계를 가진다. 이에 따라 최근에는 학습자의 인지 및 정서 상태를 보다 객관적으로 측정할 수 있는 생체 신호 기반 접근법에 대한 관심이 증가하고 있다.

그중에서도 뇌파(Electroencephalogram, EEG)는 학습자의 주의 집중, 인지적 노력, 피로도와 밀접하게 관련된 신호로 알려져 있으며, 높은 시간 해상도를 바탕으로 학습 과정 중 발생하는 인지 상태 변화를 실시간으로 포착할 수 있다는 장점을 가진다. 이러한 특성으로 인해 EEG는 감정 인식, 인지 상태 판별, 질병 진단 등 다양한 분야에서 활용되어 왔으며, 학습자의 인지부하 및 학습 몰입도를 분석하기 위한 연구에서도 점차 활용 범위가 확대되고 있다.

한편, 인지부하 이론(Cognitive Load Theory, CLT)에 따르면 학습 과정에서 요구되는 인지적 노력은 작업 기억의 제한된 용량과 밀접한 관련이 있으며, 과도한 인지부하는 학습 몰입도를 저하시켜 학습 효율에 부정적인 영향을 미친다. 특히 중등 학습자의 경우 선행 지식과 인지 전략의 개인차로 인해 동일한 학습 자극에서도 서로 다른 인지부하를 경험할 가능성이 높다. 그럼에도 불구하고 기존 EEG 기반 학습 몰입도 연구는 주로 집단 평균을 기반으로 한 단일 판별 모델을 적용함으로써, 학습자 개인별 인지부하 특성과 뇌파 신호의 차이를 충분히 반영하지 못하는 한계를 지닌다.

EEG 데이터는 개인별 신호 패턴의 다양성과 복잡성이 매우 크기 때문에, 단일한 판별 모델을 적용할 경우 데이터 변동성으로 인해 분류 정확도가 저하될 가능성이 있다. 이러한 문제를 해결하기 위해서는 학습자 개개인의 EEG 특성을 반영한 개인화된 분석 접근이 필요하다. 개인화 모델은 학습자의 고유한 인지 특성과 신호 패턴을 반영함으로써 학습 몰입도와 인지부하를 보다 정밀하게 판별할 수 있으며, 이는 맞춤형 교육 환경 구현을 위한 핵심 요소로 작용한다.

이에 본 연구에서는 중등 학습자를 대상으로 BCI(Brain-Computer Interface)를 통해 수집된 다채널 EEG 데이터를 활용하여 학습 몰입도와 인지부하를 동시에 분석하고, 개인별 EEG 특성을 반영한 합성곱 신경망(Convolutional Neural Network, CNN) 기반 개인화 분석 모델을 제안한다. CNN은 시계열 및 공간적 특성을 동시에 가지는 EEG 데이터의 복잡한 패턴을 효과적으로 학습할 수 있는 구조로, 학습자의 뇌파 신호에서 유의미한 특징을 자동으로 추출하는 데 적합하다.

본 연구에서는 EEG 신호를 Delta, Theta, Alpha, Beta, Gamma의 주파수 대역으로 분해하고, 이 중 학습자의 인지적 노력 및 몰입 상태와 밀접한 관련이 있는 Beta 및 Gamma 대역을 중심으로 개인별 학습 모델을 생성하였다. 실험 결과, 제안한 개인화 CNN 모델은 높은 분류 정확도를 보이며, 학습자의 개인차를 고려한 분석 방식이 학습 몰입도 및 인지부하 판별에 효과적임을 확인하였다.

궁극적으로 본 연구는 온라인 교육 환경에서 학습자의 학습 몰입도와 인지부하를 실시간으로 모니터링하고, 이를 교수자와 학습자 모두에게 의미 있는 정보로 제공함으로써, 중등 교육 현장에서 학습자 중심의 맞춤형 학습 지원이 가능함을 제시하고자 한다. 이는 교수자가 학습자의 인지 상태에 따라 수업 전략을 조정하고, 학습자가 자신의 학습 상태를 인식하여 능동적으로 학습을 조절할 수 있는 교육 환경 조성에 기여할 것으로 기대된다.

본 연구의 차별성을 요약하면, 첫째 중등 학습자를 대상으로 학습 몰입도와 인지부하를 EEG 기반으로 통합 분석한 연구라는 점에서 기존 몰입도 중심 연구와 차별성을 가진다. 둘째 집단 평균 모델이 아닌 개인별 EEG 특성을 반영한 CNN 기반 개인화 분석 모델을 제안하여, 학습자 개인차를 정밀하게 반영하였다. 셋째 인지부하 이론(CLT)을 이론적 배경으로 EEG 주파수 대역(Beta·Gamma) 분석 결과를 해석함으로써, 교육심리 이론과 딥러닝 기반 분석을 연결하였다.

다국어 초록 (Multilingual Abstract)

In this paper, This study proposes a personalized CNN-based model that analyzes learning engagement and cognitive load in real time using EEG data from secondary school students. Using multi-channel EEG signals collected via a BCI system, learning engagement was classified mainly through Gamma and Beta bands, achieving high performance (F1-scores of 99% and 98%). A person-specific deep learning approach effectively addressed performance degradation caused by individual differences in EEG signals among learners. The results demonstrate the practical potential of an EEG-based AI model grounded in Cognitive Load Theory for personalized learning support in secondary education environments.

목차 (Table of Contents)

• 제 1장 서론 1
• 제 2장 이론적 배경 및 선행연구 5
• 제 1절 뇌의 구조와 기능 5
• 제 2절 뇌파 측정 방법 6
• 제 3절 뇌파 종류 8
• 제 4절 딥러닝을 이용한 뇌파 기반 졸음 예방 8
• 제 5절 기능적 뇌 연결성을 이용한 합성곱 신경망 기반 감정 인식 모델 개발 10
• 제 6절 학습자의 뇌파를 활용한 인지부하 판별모형 개발 11
• 제 7절 초기설계 단계 사용자의 감정 인식을 위한 뇌파기반 딥러닝 분류모델 13
• 제 8절 이미지 기반 뇌파 데이터 분류 딥러닝 모델 연구 14
• 제 9절 심전도 심장박동 분류 전이 가능한 심층 표현 15
• 제 10절 범용 뇌 컴퓨터 인터페이스 시스템 17
• 제 11절 해독 및 시각화를 위한 합성곱 신경망 기반 딥러닝 18
• 제 12절 뇌파 분류 과제를 위한 딥러닝 19
• 제 13절 본 연구의 방향 21
• 제 3장 데이터 소개 23
• 제 1절 데이터 수집 23
• 제 2절 데이터 전처리 27
• 제 3절 데이터 분석 29
• 제 4장 실험 설계 36
• 제 1절 실험 환경 36
• 제 2절 성능 측정 지표 37
• 제 5장 학습 몰입도 분석 모델 39
• 제 1절 제안하는 방법 39
• 제 2절 모델 구현 39
• 제 6장 실험 결과 45
• 제 1절 몰입도 판별 모델 결과 45
• 제 7장 결론 및 향후 연구 48
• 참고문헌 53