Dynamic Tracking of Foreign Language Learning in Chinese Universities Using Multi-Head Attention Mechanisms

외국어 학습에서 발생하는 학습 행동 데이터는 복잡하고 동적이며, 전통적인 추적 방법으로는 정밀한 예측과 개별화된 교수 전략의 수요를 충족시키기 어렵다. 이에 본 연구는 MHAM(Multi-Head Attention Mechanism) 및 BiLSTM(Bidirectional Long Short-Term Memory)을 바탕으로, C&RM-MAKT(Cognitive and Relational Multi-Head Attention Knowledge Tracing) 모형을 제안하여, 외국어 학습자의 지식 상태를 동적으로 추적하고 학습 경로를 최적화하고자 하였다. 이를위해 2021년부터 2024년까지 3년간 중국 소재 대학교의 MOOC에서 수집한 총 105,770건의 학습 행동 데이터를 기반으로, 시계열 학습 특성을 정밀하게 분석하였다. 모형 실험 결과, 제안된 C&RM-MAKT는 기존의 AKT, SAKT, DKVMN 등 다른 지식 추적 모델에 비해 우수한 성능을 보였으며, 특히 동적 예측 정확도와 해석 가능성 측면에서 탁월함을 입증하였다. 소거 실험을 통해 각 핵심 모듈의 기여도를 검증한 결과, MHAM은 학습 행동의 핵심 패턴을 효과적으로 인식하는데 결정적인 역할을 수행하는 것으로 나타났다. 본 연구는 외국어 학습의 개별화된 교수 설계와 지능형 학습 지원 체계 구축을 위한 이론적·기술적 기반을 제공함으로써, 동적 학습 분석과 교육 실천의 연계를 강화하고, 학습자의 맞춤형 경로 최적화와 학습 성과 제고에 실질적으로 기여할 수 있을 것으로 기대된다.