본 연구는 멀티모달 학습분석을 활용하여 학습자 참여를 측정한 2022년~2024년 영문 문헌의 연구동향과 참여 하위요인에 따른 데이터 활용 및 분석 방법의 분석을 목적으로 하였다. 이를 위해 체계적 문헌분석 방법을 사용하여 총 33편의 논문 및 학회 프로시딩을 선행연구를 통해 설정한 분석틀에 따라 분석하였다. 분석 결과, 멀티모달 학습분석 기반의 학습자 참여 측정 연구는 참여 측정 모형 제안을 위한 연구가 가장 많았으며, 분석 방법으로 딥러닝과 머신러닝이 주로 사용되었다. 참여 하위요인 중에서는 인지적 참여가 가장 많았고 행동적 참여와 정서적 참여 순이었다. 또한, 참여의 세 하위요인 중 한 가지 하위요인에 초점을 두고 수행된 연구가 다수를 차지하였다. 데이터 유형별로는 시각 데이터와 표정 데이터가 가장 많이 사용되었으며, 참여 하위요인별로 사용 빈도가 높은 데이터를 분석한 결과, 인지적 참여는 생리적 반응과 시각, 행동적 참여는 신체움직임/동작과 시각, 정서적 참여는 표정 데이터가 빈번하게 사용된 것으로 나타났다. 주요 연구 결과를 바탕으로 학습자 참여 개념에 근거한 측정 지표 설정, 데이터 유형 및 참여 하위요인 다양화, 연구 대상 및 학습 유형의 다양화에 관한 시사점을 도출하고 향후 과제를 제안하였다.

This study aimed to analyze research trends in studies published between 2022 and 2024 in English that measured student engagement using multimodal learning analytics (MMLA). Using a systematic literature review, 33 journal articles and conference proceedings were analyzed based on an analytical framework established based on previous studies. The results showed that most MMLA-based studies focused on proposing measurement models, with deep learning and machine learning as the most frequently used methods. Among the engagement sub-dimensions, cognitive engagement was most frequently investigated, followed by behavioral and emotional engagement, and the majority of studies addressed only one sub-dimension. Regarding data types, visual and facial expression data were the most commonly used. By engagement type, physiological and visual data were frequently applied to measure cognitive engagement, body-movement and visual data for behavioral engagement, and facial expression data for emotional engagement. Based on the main findings, this study derived implications for establishing measurement indicators grounded in the concept of student engagement, diversifying data types and engagement sub-dimensions, and broadening research participants and learning contexts, and suggested directions for future research.