코로나19 팬데믹으로 인해 비대면 온라인 학습이 전세계적으로 시행되었다. 최근에는 ‘위드 코로나’ 정책과 함께 학교에 등교하여 수업을 듣는 오프라인 학습과 가정에서의 온라인 학습을 병행하는 블렌디드 러닝이 실시되고 있다. 그러나 이렇게 변화된 학습 환경은 학생들의 학습격차를 심화시키는 것으로 나타났다. 학습격차를 해소하기 위해서는 학습자들의 교육적 요구에 기반을 둔 맞춤형 학습 지원이 필요하다. 교사가 학습자들을 위해 맞춤형 학습 지원을 하기 위해서는 학습자의 여러 측면을 정확하게 인식하고 진단할 필요가 있지만, 최근 시행되고 있는 블렌디드 러닝에서는 학습자들의 다양한 특성을 교사가 총체적으로 파악하기는 어렵다. 따라서 블렌디드 러닝에서 교사가 학습자에 대한 정확한 이해와 인식을 바탕으로 맞춤형 학습을 제공할 수 있도록 추가적인 지원이 필요하다. 온라인과 오프라인 학습이 동시에 진행되는 블렌디드 러닝에서 교사의 정확한 학습자 파악을 돕기 위해서는 온·오프라인 데이터를 기반으로 한 학습자 파악이 제공될 필요가 있다. 이러한 학습자 파악을 기반으로 맞춤형 학습 지원을 할 때, 1대 다수인 공교육에서는 비슷한 요구를 지닌 학습자들을 군집화해서 군집별로 적절한 처방을 제공하는 것이 현실적인 방안이다.
따라서 본 연구에서는 블렌디드 러닝에서 학습자 특성 및 학습 행동 데이터를 기반으로 초등학교 학습자 유형을 탐색하였다. 본 연구의 구체적인 연구문제는 다음과 같다. 첫째, 초등학교 블렌디드 러닝에서 맞춤형 학습 지원을 위해 학습자를 어떻게 군집화할 수 있는가? 둘째, 초등학교 블렌디드 러닝에서 군집 간 교과지식, 정서, 자기조절학습, 온라인 학습참여에 어떠한 차이가 있는가? 셋째, 초등학교 교사는 블렌디드 러닝에서 학습자 군집의 타당성과 맞춤형 학습 지원 방안에 대해 어떻게 인식하는가?
이상의 연구문제를 해결하기 위해 먼저 연구 참여에 동의한 초등학교 4학년 학생 70명에 대한 수학 교과에서의 평가 결과, 정서 및 자기조절학습에 대한 설문 결과, 학습관리시스템에서의 활동 기록을 수집하였으며, 군집결과의 교육학적 해석을 위해 변수들에 대한 주성분분석을 실시한 뒤 도출된 주성분들의 점수를 활용하여 군집분석을 실시했다.
연구 결과 총 3가지 군집이 도출되었으며, 각 군집은 모두 교육적 요구를 지니고 있었다. 군집1은 성적, 온라인 학습참여, 정서, 자기조절학습이 모두 낮은 ‘통합 지원 필요형’이었으며 군집2는 성적과 온라인 학습참여가 높지만 정서와 자기조절학습이 낮은 ‘정서 및 자기조절학습 지원 필요형’에 해당했다. 군집3은 정서와 자기조절학습이 높지만 온라인 학습참여가 낮은 ‘온라인 학습참여 지원 필요형’으로 드러났다. 그리고 군집별로 주성분과 세부 변인에서 모두 유의미한 차이가 있는 것으로 드러났다.
군집의 타당성 및 맞춤형 학습 지원 방안에 대한 교사의 인식 조사 결과, 교사들은 군집의 결과가 학습자들에 대한 자신의기존 인식과 차이가 있다고 느꼈으나 동시에 유용하다고 인식하였다. 또한 군집별로 요구에 기반한 맞춤형 학습 지원이 필요하다고 인식하였으며, 군집 결과에 따라 수업 설계 및 생활지도를 맞춤형으로 지원할 것으로 인식하였다. 또한 맞춤형 학습 지원을 위해 맞춤형 콘텐츠 제공, 업무 감소 등의 추가적인 지원이 필요하다고 인식하였다.
본 연구는 초등학교 블렌디드 러닝에서 학습자 유형화를 통해 축적된 데이터를 활용한 총체적인 학습자 이해와 모든 학습자들을 대상으로 한 맞춤형 학습 지원이 필요하다는 것을 확인하였으며, 군집별 맞춤형 학습 지원 방안을 제시하였다. 또한 맞춤형 학습 지원을 위해서는 교육 시스템 구축이 필요하다는 것을 확인하였다. 본 연구를 통해 탐색한 내용이 향후 블렌디드 러닝에서의 맞춤형 학습 지원 연구에 유용하게 활용된다면 학습격차 해소 및 학습자 이해에 기여할 수 있을 것으로 기대된다.

Due to the COVID-19 pandemic, non-face-to-face online learning has been implemented worldwide. Recently, along with the ''With Corona'' policy, blended learning, which combines offline learning at school and online learning at home, is being implemented. However, this changed learning environment has been shown to deepen the learning gap among students. To bridge this learning gap, personalized learning support based on the educational needs of learners is required. For teachers to provide personalized learning support for learners, it is necessary to accurately recognize and diagnose various aspects of learners. However, in blended learning, it is difficult for teachers to grasp the various characteristics of learners holistically. Therefore, additional support is needed in blended learning so that teachers can provide personalized learning support based on accurate understanding and recognition of learners. For this, it is necessary to identify learners based on online and offline data. In addition, when providing personalized learning support based on learner identification, especially in public education, which is one-to-many, it is a realistic method to cluster learners with similar needs and provide appropriate educational prescriptions for each group.
Therefore, in this study, elementary school learner types were explored based on learner characteristics and learning behavior data in blended learning. The specific research questions of this study are as follows. First, how can learners be clustered to support personalized learning in elementary school blended learning? Second, is there any difference in subject knowledge, affective domain, self-regulated learning, and online learning participation between groups in elementary school blended learning? Third, how do elementary school teachers perceive the validity of the learner cluster and personalized learning support methods in blended learning?
To solve the above research problem, first, the evaluation results in math subjects, the results of the questionnaire on affective domain and self-regulated learning, and the online activity records in the learning management system were collected for 4th grade students of elementary school who agreed to participate in the research. (n=70) For pedagogical interpretation of the results, principal component analysis was conducted on the variables, and then cluster analysis was performed using the derived scores of principal components.
As a result of the study, a total of three clusters were derived, and every cluster had educational needs. Cluster 1 was the ''integrated support type'' with low grades, online learning participation, emotion, and self-regulated learning, and Cluster 2 was the ''emotional and self-regulated learning support type'' with high grades and online learning participation but low emotional and self-regulated learning. Cluster 3 was found to be a ‘online learning participation support type’ with high score in affective domain and self-regulated learning but low score in online learning participation. In addition, it was found that there were significant differences in both the main component and the detailed variables by cluster.
As a result of the survey on teachers'' perceptions about the validity of clusters and personalized learning support methods, teachers perceived that the results of clustering were different from their existing perceptions of learners, but recognized that they were useful at the same time. In addition, it was founded that personalized learning support based on the needs of each cluster was necessary, and personalized support for instructional design and child guidance would be provided according to the results of the group. In addition, it was recognized that additional support such as recommendation system that provides customized learning contents according to the need of clusters and teacher’s work reduction were necessary to support personalized learning.
This study confirmed that it is necessary to understand the overall learner using the accumulated data in
elementary school blended learning through learner clustering and to support personalized learning for all learners. In addition, it was confirmed that it was necessary to establish an education system to support personalized learning and provided educational prescriptions for each clusters. If the contents explored through this study are usefully used for further research on personalized learning support in blended learning in the future, it is expected to contribute to bridging the learning gap and understanding learners.