MOOCs have democratized access to education—millions of learners worldwide can access courses from top universities for free. But completion rates hover around 5-15%, and the gap between enrollment and meaningful learning remains the field's persistent challenge. Learning analytics—the measurement, collection, and analysis of data about learners and their contexts—offers a potential solution: using behavioral data (video watch patterns, quiz performance, forum participation) to identify at-risk students and support self-regulated learning. The question is whether analytics tools translate into improved outcomes.

The Research Landscape

Dashboard Design for Self-Regulated Learning

Borrella and Ponce-Cueto (2025) provide the strongest evidence through a randomized experiment in a MOOC setting. They deployed a Learning Analytics Dashboard (LAD) that shows learners their progress compared to course milestones and peer averages, and tested its impact on self-regulated learning behaviors and course completion.

The LAD was designed around three principles:

Results: Students exposed to the LAD showed higher self-regulated learning behaviors (measured by time management and help-seeking) and modestly higher completion rates compared to the control group. The improvement was statistically significant but modest—consistent with the broader finding that analytics tools help but are not transformative. (Readers should consult the original paper for specific completion rate figures and effect sizes.)

An important caveat: the LAD discouraged some lower-performing students who found the social comparison demoralizing. This "dashboard discouragement" effect suggests that LAD design must account for learner variability—what motivates high performers may demoralize struggling students.

Deep Learning for Engagement Prediction

Rizwan et al. (2025), with 31 citations, provide the most comprehensive systematic review of deep learning methods for predicting student academic performance and engagement in MOOCs. Their review covers 100+ studies using architectures including LSTMs, CNNs, transformers, and attention mechanisms.

Key findings:

• Feature importance: Behavioral features (video completion rate, quiz attempt timing, forum posting frequency) are more predictive than demographic features (age, gender, education level). This is encouraging because behavioral features are actionable—they can be changed—while demographic features cannot.
• Temporal patterns: Models that capture sequences of behavior (declining engagement over time) outperform models that use aggregate statistics (total time spent). The trajectory matters more than the total.
• Transfer limitations: Models trained on one MOOC platform perform poorly on another, reflecting platform-specific differences in interface design, content structure, and learner populations.

Gamified Chatbots

Khlaisang and Koraneekij (2024), with 5 citations, combine three elements: gamification (points, badges, leaderboards), self-regulated learning (goal-setting, planning), and chatbots (real-time feedback and reminders). Their system integrates all three into a MOOC learning environment and tests the impact on achievement motivation.

The gamified chatbot outperforms both the chatbot-only and gamification-only conditions, suggesting that the combination is more effective than either element alone. The chatbot provides personalized feedback ("You're close to earning the 'Discussion Starter' badge—post one more response"), while gamification provides social motivation (leaderboards, peer comparison).

Attention-Enhanced Prediction

Alnasyan, Basheri, and Alassafi (2025), with 9 citations, contribute a technical advance: Kanformer, an attention-enhanced deep learning model that combines Kolmogorov-Arnold Networks with transformer attention for student performance prediction. On the Open University Learning Analytics Dataset, Kanformer achieves state-of-the-art prediction accuracy for at-risk student identification.

The practical implication: early and accurate identification of at-risk students enables targeted intervention. But the prediction-to-intervention gap persists—knowing who is at risk is necessary but not sufficient; knowing what to do about it requires the kind of actionable dashboard design that Borrella and Ponce-Cueto describe.

Critical Analysis: Claims and Evidence

Open Questions

What This Means for Your Research

For educational technologists, Borrella and Ponce-Cueto's finding about "dashboard discouragement" is practically important: LAD design must be adaptive, providing encouragement to struggling learners rather than demoralizing comparison.

For ML researchers, MOOC data provides a rich, well-labeled domain for sequence prediction—with the added challenge that the predictions must be actionable, not just accurate.

Explore related work through ORAA ResearchBrain.

면책 조항: 이 게시물은 정보 제공을 목적으로 한 연구 동향 개요이다. 특정 연구 결과, 통계, 주장은 학술 연구에서 인용하기 전에 원본 논문을 통해 반드시 확인해야 한다.

MOOC에서의 학습 분석 대시보드: 데이터 기반 자기조절학습인가, 대시보드 과부하인가?

MOOC는 교육에 대한 접근성을 민주화했다—전 세계 수백만 명의 학습자가 명문 대학교의 강좌를 무료로 수강할 수 있다. 그러나 수료율은 약 5~15%에 머물러 있으며, 등록과 실질적인 학습 사이의 간극은 이 분야의 지속적인 과제로 남아 있다. 학습자와 그 맥락에 관한 데이터를 측정·수집·분석하는 학습 분석(learning analytics)은 잠재적인 해결책을 제시한다. 즉, 행동 데이터(동영상 시청 패턴, 퀴즈 성과, 포럼 참여)를 활용하여 위험 학습자를 식별하고 자기조절학습을 지원하는 것이다. 문제는 분석 도구가 실제 성과 향상으로 이어지는가 하는 점이다.

연구 동향

자기조절학습을 위한 대시보드 설계

Borrella와 Ponce-Cueto(2025)는 MOOC 환경에서의 무작위 실험을 통해 가장 강력한 근거를 제시한다. 이들은 학습자가 자신의 진도를 강좌 이정표 및 동료 평균과 비교할 수 있는 학습 분석 대시보드(Learning Analytics Dashboard, LAD)를 구축하고, 이것이 자기조절학습 행동과 강좌 수료에 미치는 영향을 검증하였다.

LAD는 세 가지 원칙을 중심으로 설계되었다:

결과: LAD에 노출된 학습자는 통제 집단에 비해 더 높은 자기조절학습 행동(시간 관리 및 도움 요청으로 측정)과 소폭 향상된 수료율을 보였다. 개선 효과는 통계적으로 유의하였으나 크지 않았다—이는 분석 도구가 도움이 되기는 하지만 변혁적이지는 않다는 더 넓은 연구 결과와 일치한다. (구체적인 수료율 수치와 효과 크기는 독자가 원본 논문을 직접 확인하기 바란다.)

중요한 주의 사항이 있다. LAD는 사회적 비교를 사기를 떨어뜨리는 것으로 느낀 일부 저성취 학습자를 오히려 낙담시켰다. 이러한 "대시보드 낙담(dashboard discouragement)" 효과는 LAD 설계가 학습자 개인차를 반드시 고려해야 함을 시사한다—고성취자에게 동기를 부여하는 요소가 어려움을 겪는 학습자를 의욕 상실로 이끌 수 있다.

참여도 예측을 위한 딥러닝

Rizwan 등(2025)은 31회 인용으로, MOOC에서 학생의 학업 성과 및 참여도 예측을 위한 딥러닝 방법에 관한 가장 포괄적인 체계적 문헌 고찰을 제공한다. 이 리뷰는 LSTM, CNN, 트랜스포머(transformer), 어텐션 메커니즘(attention mechanism) 등의 아키텍처를 사용한 100편 이상의 연구를 다룬다.

주요 연구 결과:

• 특징 중요도(Feature importance): 행동적 특징(동영상 완료율, 퀴즈 시도 시점, 포럼 게시 빈도)이 인구통계학적 특징(연령, 성별, 교육 수준)보다 예측력이 높다. 이는 고무적인 결과인데, 행동적 특징은 변화 가능한—즉 실행 가능한—반면 인구통계학적 특징은 그렇지 않기 때문이다.
• 시계열 패턴(Temporal patterns): 행동의 순서(시간에 따른 참여도 감소)를 포착하는 모델이 집계 통계(총 소요 시간)를 사용하는 모델보다 성능이 우수하다. 총량보다 궤적이 더 중요하다.
• 전이 한계(Transfer limitations): 하나의 MOOC 플랫폼에서 훈련된 모델은 다른 플랫폼에서 성능이 저조하며, 이는 인터페이스 설계, 콘텐츠 구조, 학습자 집단의 플랫폼별 차이를 반영한다.

게임화 챗봇

게이미피케이션 챗봇은 챗봇 단독 조건과 게이미피케이션 단독 조건 모두를 능가하며, 이는 두 요소의 조합이 각각의 요소 단독보다 더 효과적임을 시사한다. 챗봇은 개인화된 피드백("'토론 시작자' 배지를 거의 획득할 수 있습니다—응답을 하나 더 게시하세요")을 제공하는 반면, 게이미피케이션은 사회적 동기(리더보드, 동료 비교)를 제공한다.

어텐션 강화 예측

Alnasyan, Basheri, Alassafi(2025)는 9회 인용으로, 기술적 발전에 기여한다. 이들이 제안한 Kanformer는 학습자 성취도 예측을 위해 Kolmogorov-Arnold Networks와 트랜스포머 어텐션을 결합한 어텐션 강화 딥러닝 모델이다. Open University Learning Analytics Dataset에서 Kanformer는 위험 학습자 식별에 있어 최첨단 예측 정확도를 달성한다.

실용적 함의는 다음과 같다. 위험 학습자를 조기에 정확하게 식별하면 표적 개입이 가능해진다. 그러나 예측과 개입 사이의 간극은 여전히 존재한다. 누가 위험에 처해 있는지 아는 것은 필요조건이지만 충분조건은 아니다. 어떻게 대처할지 아는 것은 Borrella와 Ponce-Cueto가 제시한 실행 가능한 대시보드 설계와 같은 접근을 필요로 한다.

비판적 분석: 주장과 근거

미해결 과제

연구에 주는 시사점

교육공학 연구자들에게 Borrella와 Ponce-Cueto의 "대시보드 위축" 발견은 실용적으로 중요하다. LAD 설계는 적응적이어야 하며, 어려움을 겪는 학습자에게 사기를 떨어뜨리는 비교보다는 격려를 제공해야 한다.

머신러닝 연구자들에게 MOOC 데이터는 시퀀스 예측을 위한 풍부하고 잘 레이블링된 도메인을 제공한다. 다만, 예측이 단순히 정확한 것에 그치지 않고 실행 가능해야 한다는 추가적인 과제가 있다.

ORAA ResearchBrain을 통해 관련 연구를 탐색해 보기 바란다.