다시 시도해 보세요: 학생들의 잠재적인 문제 해결 경로를 추적하여 반복 학습 행동을 분석

Let Me Try Again: Examining Replay Behavior by Tracing Students' Latent Problem-Solving Pathways

이전 연구에 따르면 게임 기반 학습 환경에서 학생들의 문제 해결 경로는 그들의 개념적 이해, 절차적 지식, 그리고 유연성을 반영합니다. 특히, 반복 학습 행동은 생산적인 어려움이나 더 넓은 범위의 탐색을 나타낼 수 있으며, 이는 더 깊은 학습을 촉진할 수 있습니다. 그러나 이러한 경로가 문제 해결 과정에서 순차적으로 어떻게 전개되는지, 그리고 반복 학습의 시점 및 기타 문제 해결 전략이 단기적 및 장기적인 학습 결과와 어떻게 관련되는지에 대한 연구는 아직 부족합니다. 본 연구는 From Here to There! 게임 기반 학습 플랫폼을 이용한 777명의 중학생 데이터를 활용하여 마르코프 연쇄와 숨겨진 마르코프 모델(HMM)을 사용하여 이러한 격차를 해소하고자 합니다. 연구 결과, 문제 해결 과정 내에서 학생들은 종종 특정 단계에서 멈추거나 성공적인 완료 후 즉시 반복 학습을 수행했으며, 문제 간에는 강력한 자체 전이가 안정적인 전략적 경로를 나타냈습니다. HMM 분석을 통해 Incomplete-dominant, Optimal-ending, Replay, 그리고 Mixed의 네 가지 잠재적 상태가 도출되었습니다. 회귀 분석 결과, 반복 학습 지향적(replay-dominant) 및 최적 종료(optimal-ending) 상태에 참여하는 학생들은 Incomplete-dominant 상태에 있는 학생들에 비해 개념적 지식, 유연성, 그리고 성취도가 더 높았습니다. 즉각적인 반복 학습은 학습 결과와 긍정적인 관련성을 보였지만, 지연된 반복 학습은 비 반복 학습과 관련하여 미미하거나 부정적인 영향을 미치는 것으로 나타났습니다. 이러한 결과는 디지털 학습에서의 반복 학습이 일률적으로 유익한 것이 아니라, 시점에 따라 다르며, 즉각적인 반복 학습은 유연성을 향상시키고 더욱 생산적인 탐색을 지원한다는 것을 시사합니다.

Prior research has shown that students' problem-solving pathways in game-based learning environments reflect their conceptual understanding, procedural knowledge, and flexibility. Replay behaviors, in particular, may indicate productive struggle or broader exploration, which in turn foster deeper learning. However, little is known about how these pathways unfold sequentially across problems or how the timing of replays and other problem-solving strategies relates to proximal and distal learning outcomes. This study addresses these gaps using Markov Chains and Hidden Markov Models (HMMs) on log data from 777 seventh graders playing the game-based learning platform of From Here to There!. Results show that within problem sequences, students often persisted in states or engaged in immediate replay after successful completions, while across problems, strong self-transitions indicated stable strategic pathways. Four latent states emerged from HMMs: Incomplete-dominant, Optimal-ending, Replay, and Mixed. Regression analyses revealed that engagement in replay-dominant and optimal-ending states predicted higher conceptual knowledge, flexibility, and performance compared with the Incomplete-dominant state. Immediate replay consistently supported learning outcomes, whereas delayed replay was weakly or negatively associated in relation to Non-Replay. These findings suggest that replay in digital learning is not uniformly beneficial but depends on timing, with immediate replay supporting flexibility and more productive exploration.