어댑티브 러닝 알고리즘 비교 — DKT·BKT·SAKT·LLM-Tutor의 정확도와 도입 난이도
학습자 지식 추정 알고리즘 4종의 정확도(AUC), 학습 데이터 요구량, 도입 난이도를 정량 비교합니다.
학습자의 현재 지식 수준을 추정해 다음 문제 난이도를 조정하는 어댑티브 러닝은 4가지 알고리즘 계열로 나뉩니다: (A) BKT(Bayesian Knowledge Tracing), (B) DKT(Deep Knowledge Tracing, LSTM), (C) SAKT/AKT(Self-Attentive/Attention-based), (D) LLM-Tutor(대형 언어 모델 기반).
정확도(AUC, ASSISTments 2015 벤치마크 기준): BKT 0.71, DKT 0.82, SAKT 0.84, AKT 0.86, LLM-Tutor(GPT-4/Gemini 파인튜닝) 0.88~0.91. 정확도가 높을수록 다음 문제 정답 예측이 정확합니다.
학습 데이터 요구량: BKT는 코스당 최소 500 시퀀스로 가능. DKT는 코스당 5,000 시퀀스 이상. SAKT/AKT는 10,000 이상. LLM-Tutor는 파인튜닝 시 20,000 이상, 프롬프트 엔지니어링만이면 100 이하. ‘데이터가 적은 조직은 오히려 LLM-Tutor 프롬프트 방식이 유리’합니다.
도입 난이도·비용: BKT는 오픈소스 라이브러리 즉시 사용, 초기 500만 원. DKT는 GPU 학습 필요, 2,500만 원. SAKT/AKT는 4,000만 원. LLM-Tutor는 API 호출 비용(월 학습자당 800~2,500원) + 프롬프트 개발 1,500만 원. LLM은 초기 비용은 낮지만 운영비가 지속 발생합니다.
결론: 콘텐츠가 안정적이고 학습자가 많으면 SAKT/AKT, 데이터가 적고 콘텐츠가 자주 바뀌면 LLM-Tutor를 권장합니다. WEBHEADS PRO는 BKT + LLM-Tutor 하이브리드를 기본 제공하며, DKT/SAKT는 옵션으로 추가 가능합니다.
관련 글
주식회사 웹헤즈 · 대표전화 02-540-4337 · 도입 문의