토픽모델링을 활용한 개별 맞춤형 학습에 관한 연구동향 : 초중등과 대학 수준 간 비교
<서론>
- 교육부 2023년 1월 5일 "개별 맞춤형 교육"이라는 핵심 추진과제 발표
- 팬데믹 이후 진화된 인공지능 기술을 기반으로 개별 맞춘형 학습의 실현 가능성이 앞당겨졌으며, 학습자 중심의 교수학습 패러다임 실펀이라는 데 의의
- 개별 맞춤형 학습에 대한 지향점에는 연구자들이 대체적을 동의하나 관련 연구에서 명확한 용어 정의와 사용에 있어 다소 서로 다른 양상이 확인
- 일반 교육영역 -> 차별화 또는 차이화, 특수교육영역과 철학영역 -> 개별화, 교육공학 -> 개별화, 맞춤화
- 급속히 발달한 테크놀로지를 교수학습 상황에 빈번하게 활용한 덕분에 관련 연구들은 2010년부터 더욱 급증
- 국내외에서는 개별 맞춤형 학습을 주제로 연구동향을 분석하는 연구들이 다양한 연구방법을 통하여 진행되고 있으며, 최근 동향분석 연구들은 토픽모델링 방법 활용
- 개별 맞춤형 학습은 앞서 제시한 다양한 용어에서 보듯이 본래 특정 연구 영역에서 시작되어 특정 대상과 목적으로 시작된 개념들이나 시대에 흐름에 따라 변화하고 그 개념은 확대
- 본 연구에서는 개별 맞춤형 학습에 대한 거시적 접근만이 아니라 학교급을 기준으로 연구의 관점을 좁혀서 세부적으로 분석하고자 3가지 특징
- 개별 맞춤형 학습을 키워드로 색출된 다량의 연구
- 학교급 수준으로 연구의관점을 좁혀서 중심이 되는 토픽 살펴봄
- 교육과정이 전면 개정된 제7차 교육과정 고시를 기점으로 현재까지 시점을 제한하여 분석
- 연구문제
- 개별 맞춤형 학습 관련 국내연구 동향은 시기별, 학습분야별 어떠한가
- 개별 맞춤형 학습 관련 연구에서 나타난 상위 출현 키워드는 무엇이고, 학교급별로 차이가 확인되는가
- 개별 맞춤형 학습 관련 연구에서 나타난 주요 주제는 무엇인가, 학교급에 따라 주요 주제는 어떻게 나타나는가
<선행연구>
1. 개별 맞춤형 학습의 개념
특수교육과 영재교육의 개별화 교수에서 시작 -> 개별 맞춤형 학습 정의
구글앤그램에서 나타난 용어별 사용추이 : Individualized learning, Differentiated learning, Personalized learning, Adaptive learning
2. 국내 개별 맞춤형 학습 동향에 관한 선행연구 분석
국내에서 수행된 개별 맞춤형 학습 동향에 관한 메타연구는 3편
1) 박지우 외(2022) - 개별 맞춤형 학습에 대해 포괄적으로 연구물 분석 -> 6개의 토픽 확인
2) 정희엽과 홍후조(2021) - 의미연결망 분석
3) 임규연, 임지연, 진명화(2021) - 개별화 학습에서 테크놀로지를 활용한 실증연구 39편을 선정하여 개별화 학습과 관련된 데이터 출처, 개별화의 대상, 개별화가 적용된 시점, 개별화의 방법의 네 가지 분석 프레임워크를 분석
<연구방법>
분석대상
- 제7차 교육과정 개정이 이루어진 1997년부터 2023년 6월까지 게재된 학술논문 가운데 '개별화 학습', '개인화 학습', '적응형(적) 학습', '맞춤형 학습', '지능형 튜터링', '차별화 학습', '적응형 코스웨어'를 검색어로 수집
- 학술지는 KCI 등재지로 제한하였고 한글로 작성된 초록에 한하여 자료로 사용(총 732개)
<참고문헌>
- 교육부 (2023a). 모두를 위한 맞춤 교육의 실현 디지털 기반 교육혁신 방안. 세종: 교육부.
- 교육부 (2023b). 교육개혁, 대한민국 재도약의 시작 –2023년 교육부 연두 업무보고. 교육 부 보도자료. 2023.1.5.
- 박지우, 정성희, 박하나, 임규연(2022). 텍스트 마이닝을 활용한 국내 개별화 학습 연구동 향 분석: TF-IDF,LDA 기반 텍스트 마이닝을 중심으로. 교육방법연구, 34(4). 711-739.
- 정희엽, 홍후조(2021). 텍스트 마이닝을 통한 4차 산업혁명시대 ‘맞춤형 교육’ 연구 동향 분석. 교육방법연구, 33(3), 433-454.
텍스트 마이닝을 활용한 국내 개별화 학습 연구동향 분석: TF-IDF, LDA 기반 텍스트 마이닝을 중심으로
- 4차 산업혁명의 도래는 교육 분야에 근본적이고 질적인 변화를 요구
- 개별화 학습은 교육환경의 변화에 따른 요구를 충족하고, 기존의 획일화된 접근에서 벗어나 학습자 중심의 교육 패러다임으로 전환하기 위한 핵심적인 방안으로 주목
- 개별화 학습이란 개별 학생의 고유한 학습 요구, 관심, 포부 또는 문화적 배경을 해결하기 위한 다양한 교육 프로그램, 학습 경험, 교육 접근 방식 및 학업 지원 전략을 의미
- 개별화 학습은 개인화 학습, 차별화 학습, 맞춤형 학습, 적응형 학습 등 다양한 용어와 유사한 의미
- 최근 코로나19의 등장으로 교육환경이 급격한 변화를 겪으며, 비대면 환경에서의 개별화 학습을 효과적으로 지원하는 방안에 대한 관심이 높아짐
- Zhao와 Watterston(2021)은 코로나19 이후 교육 분야에서 여러 새로운 시도를 추진할 필요가 있으며, 현 시점에서 특히 개별화 학습과 관련된 변화가 필요하다고 주장
- 개별화 학습이 대상 및 교과영역과 관계없이 다양한 분야에서 논의되어 온 만큼 교육 패러다임의 전환이라는 거시적 관점에서 변화의 흐름을 탐색하기 위해 다양한 분아에서 이루어지는 개별화 학습 관련 연구를 종합적으로 살펴볼 필요
- 교육환경의 변화 과정에서 개별화 학습에 대한 관심이 어떻게 변화해 왔는지 확인하기 위해 개별화 학습 연구동향 분석을 통한 개별화 학습 연구의 전반적인 흐름을 분석할 필요
- 특정 주제에 대한 연구동향을 객관적으로 확인하고, 시계열적 변화를 확인할 수 있는 연구 방법으로 텍스트마이닝, 특히 토픽모델링 기법을 활용
- 본 연구는 교육 환경의 변화가 개별화 학습 연구동향에 어떠한 영향을 미쳤는지 확인하고, 앞으로의 개별화 지원에 시사점을 제공하는 것을 목적
- 연구문제
- 최근 10년간 개별화 학습 연구의 발행 현황은 어떠한가
- 최근 10년간 개별화 학습 연구의 주제어 변화는 어떠한가
- 최근 10년간 개별화 학습 연구의 주요 토픽 추이는 어떤한가
<이론적 배경>
1. 개별화 학습
개별화 학습은 개인화 학습, 차별화 학습, 맞춤형 학습, 적응형 학습 등 다양한 용어로 활용(Schmid & Petko, 2019; Shemshack & Spector, 2020) -> 각각의 용어들이 사용하게 된 배경 잘 설명
- 개별화는 학습자 중심의 교육 패러다임 내의 개별화 교수 체제를 논할 때 주로 사용 (Watson & Watson, 2017)
- 차별화는 특수교육, 영재교육 등과 같이 다양성을 지닌 집단의 특수한 요구에 기초한 교육 (정동영, 2008; 태진미, 2019)
- 개인화는 테크놀로지 기반의 적용형 학습 시스템 설계 시에 사용되거나 특수교육에 개별화교육계획 (Individualized Education Plan, IEP) 등의 개념을 설명하는 데 주로 사용 (박선미, 안성우, 2008; 황인영, 이병인, 2022)
- > 개별화된 학습 환경을 위한 테크놀로지의 역할을 강조하면서 적응형 학습 테크놀로지, 개별화된 적응형 학습, 맞춤형 학습과 같은 용어들이 사용되고 있음을 확인(임유나 외, 2013; Peng et al., 2019)
- 미국 교육부에서는 2016년 이후 개별화, 차별화, 개인화 개념을 구분하지 않고, 개별화 학습 용어로 통합하여 제시 (U.S. Department of Education, 2016)
2. 개별화 학습 개념
효과성 분석 연구
테크놀로지를 활용하여 개별화 학습을 실현하고자 하는 시도
개별화 학습을 통합적으로 살펴보고, 교육 분야에서의 연구동향을 확인한 선행연구
- 임규연 외(2021)
- Xie 외(2019)
- Shemshack과 Spector(2020): 적응적 학습, 개인화 교수, 맞춤형 학습 등 개별화 학습 접근 방식에서 논의되는 다양한 용어의 유사점과 차이점을 밝히기 위해 체계적 문헌분석
교육 분야 전반을 아울러서 개별화 학습 연구동향을 살펴보기보다는 주로 특정 분야의 관점을 견지하여 개별화 학습을 적용하거나 연구동향을 확인
- Bernacki 외(2021): 개별화 학습을 수행하는 방법과 개별화 학습의 목표에 대한 공통적인 정의가 없음을 지적
- Shemshack과 Spector(2020): 개별화 학습의 구성 요소에 대한 통일된 합의X -> 개별화 학습에 관한 통합된 접근 방식과 정의를 구축하기 위한 연구 제언
>> 개별화 학습의 개념에 대한 통합된 정의를 바탕으로 교육 전 분야의 개별화 학습 관련 선행연구들을 포함하여 연구동향을 살펴볼 필요성 제기
>> 교육 패러다임이 전환하고 있는 현시점에서 개별화 학습에 관한 연구가 지금까지 어떠한 주제분야에서 연구되었는지, 어떠한 변화 흐름을 가졌으며 최근의 주요 관심사는 무엇인지를 보다 객관적인 방법으로 확인함으로써 추후 개별화 학습 관련 연구가 나아갈 방향을 제시
<연구방법>
- 2021년은 교육부가 개별화 학습의 토대를 마련하고자 2022 개정 교육과정 계획을 발표하면서(교육부, 2021) 개별화 학습에 대한 논의가 확대되는 시점이라는 점에서 지금까지의 개별화 학습 연구동향을 파악할 필요가 있음
- 특히 지난 10년은 4차 산업혁명의 등장(2016년), 코로나19의 확산(2020년) 등 사회문한 전반에 걸친 큰 이슈들이 발생 > 이러한 이슈들이 개별화 학습 연구동향에 어떠한 영향을 미쳤는지 탐색하는 것이 개별화 학습 연구의 흐름을 이해하고 앞으로의 변화를 준ㄴ비한느 데 유의미한 시사점을 제공할 수 있을 것이라 판단
분석 대상 자료 수집
- 2012년부터 2021년까지 한국연구재단 등재지 및 등재후보지에 게재된 논문의 초록을 추출하여 분석
- ‘개별화 and 학습’, ‘개인화 and 학습’, ‘적응형 and 학습’, ‘적응적 and 학습’, ‘맞춤형 and 학습’, ‘차별화 and 학습’(130개)
<참고문헌> -> 참고문헌 참고
- 교육부 (2021). 2022 개정 교육과정 추진 계획. 교육부.
- 정희엽, 홍후조 (2021). 텍스트 마이닝을 통한 4차 산업혁명시대 ‘맞춤형 교육’ 연구 동향 분석, 교육방법 연구, 33(3), 433454.
- Bernacki, M. L., Greene, M. J., & Lobczowski, N. G. (2021). A systematic review of research on personalized learning: Personalized by whom, to what, how, and for what purpose(s)?. Educational Psychology Review, 33(4), 16751715
- Shemshack, A., & Spector, J. M. (2020). A systematic literature review of personalized learning terms. Smart Learning Environments, 7(1), 120.
- Zhao, Y., & Watterston, J. (2021). The changes we need: Education post COVID19. Journal of Educational Change, 22(1), 312
텍스트 마이닝을 통한 4차 산업혁명시대 '맞춤형 교육' 연구 동향 분석
<초록>
- 본 연구는 미래 학교 교육의 주요 특징이자 궁극적 지향점인 맞춤형 교육의 연구 동향 변화를 살피고 방향성을 탐색하는데 목적
- RISS에서 '맞춤형 교육', '맞춤형 수업', '맞춤형 학습'을 키워드로 추출된 2011년부터 2022년까지의 한국어 논문 374건의 논문 제목과 초록 수집 - 4차 산업혁명이 우리나라 교육에 직접적 영향을 주기 시작한 2016년을 기준으로 전기, 후기로 나누어 분석 > 빈도 분석과 의미연결망 및 CONCOR
<서론>
- 최근 4차 산업형명과 COVID-19로 인류는 예상치 못한 속도로 언텍트 시대를 맞이
- 학생과 교사는 비대면의 수업환경에 적응하며 새로운 교육 생태계를 만들어가게 되었음
- 미래 학교 교육의 모습에 대하여 미래 교육을 예측하는 많은 연구들은 ICBM(Iot, Cloud, Big data, Mobile), 인공지능 등의 첨단 기술을 바탕으로 하는 ‘맞춤형 교육’을 미래 학교 교육의 주요 특징이자 궁극적인 지향점으로 보고 있는데(계보경 외, 2011; 박균열 외, 2016; 주 형미 외, 2016) 이러한 첨단 기술들은 4차 산업혁명의 핵심 기술
- 미국과 한국의 예시
- 미래학교 교육이 사회 전반에 널리 알려지고 큰 영향력을 몰고 오기 시작한 것은 2016년 1월 세계경제포럼의 회장인 Klaus Schwab이 스위스 다보스에서 개최된 세계경제포럼을 통해 4차 산업혁명(The Fourth Industrial Revolution)이란 책자를 선보이면서부터
- 연구문제
- 맞춤형 교육 관련 연구에서 상위출현 키워드와 상위 주제 키워드는 무엇인가? 이는 2016년 이후로 어떻게 변화하는가?
- 맞춤형 교육 관련 연구에서 어떤 키워드가 동시 출현하고 상호 연결되는가? 이는 2016년 이후로 어떻게 변화하는가?
<이론적 배경>
1. 맞춤형 교육
- 산업화의 영향으로 근대 공교육 제도가 확립되고 획일화, 집단화되면서 학교 교육이 대중화됨에 따라 기회는 늘어났지만 개인의 특성에 맞춘 수업은 어려웠음(이경언, 2008)
- 구성주의 교육철학 및 구성주의 심리학의 영향으로 학습자의 차이를 고려하는 개별화 수업이 확대 (최진, 2020)
- 우리나라도 획일적인 학교 교육을 탈피하면서도 학생들의 개인차를 인정하며 최대한의 성취를 이루어내기 위한 목적으로 1986년 열린 교육을 통해 학교에서 맞춤형 학습을 강조(김미화 외, 2020)
- 제7차 교육과정의 권고 아래 수준별 교육과정이라는 용어로 맞춤형 교육이 운영되기도 하였으나 단순한 수준별 위계라는 수행에서의 시행착오로 인해 위화감 조성과 자존감 하락 등의 문제점을 낳음(성열관, 2008)
- 맞춤형 교육은 학습 효과를 향상시키는 것 외에 학생이 잠재력을 발휘할 수 있도록 하는 목적도 포함되기 때문에 수준별 수업이 곧 맞춤형 교육이라는 것은 잘못된 해석(이경언, 2008)
- 그럼에도 불구하고 맞춤형 교육인 수준별 수업으로 구현되었던 것은 학교 교육이 다인수 학급 안에서 각 학습자의 학습을 최대화해야 하는 현실적인 문제(안지연, 홍선주, 2020)
- 현재도 학생 능력과 성적 외 학습자들의 흥미, 관심, 개인차 변인 등을 고려하는 모습은 찾아보기 힘든 상황(김미화 외, 2020)
- 맞춤형 교육의 포괄적인 특성 때문에 맞춤형 교육과 관련된 다양한 개념들이 존재하며, 김성열 외(2017)가 정리
- 개인화, 개별화, 차별화의 개념은 맞춤형 교육에 포함되며 적응학습 시스템은 멎춤형 학습을 지원하는 학습환경을 이루는 하나의 요소
- 오늘날 학습자가 다양한 개별 특성에 맞추어 교육적 처치를 받는 것은 시대적 변화가 요청하는 공교육의 역할(최진, 2020)이므로 맞춤형을 교육에 적극적으로 도입하려는 시도들과 함께 새로운 맞춤형 교육들이 등장
- 교육과정 클러스터
- 고교학점제
- 특히 4차 사업혁명의 핵심기술인 사물인터넷과 인공지능이 학습자 개개인의 학습활동에 대한 데이터 수집을 용이하게 하고 데이터 분석 결과에 근거한 개인별 학습 처방의 가능성이 높아지면서 맞춤형 교육에 대한 기대가 증폭(김성열 외, 2017)
- 온라인 기반 교육과정이 보편화되고 비대면 교육이 일상화되면서 빅데이터를 통한 맞춤형 교육서비스를 도출하고 활용할 수 있는 교육서비스 방안도 다양하게 제시(이영석, 조정원, 2016)
- 교육서비스로서의 에듀테크의 발달은 학습자 상황, 학습 수준, 학습 태도, 학습 목적에 맞춘 맞춤형 학습이 온라인에서 구현될 가능성을 높이고 있음(임경화 외, 2019)
- 우려의 목소리도 존재하지만 새로운 교육 패러다임으로서 맞춤형 교육의 가능성은 무시할 수 없으며 철저하게 연구하여 교육에 긍정적으로 적용될 수 있도록 하는 방안이 필요한 교육방법
<연구방법>
- riss에서 '맞춤형 교육', '맞춤형 수업', '맞춤형 학습' 키워드 검색을 통해 도출된 논문 중 최근 10년 간 한국어 논문(2011~2020)
- TF, TF-IDF, 의미연결망, CONCOR 분석(유사한 지위를 점하고 있는 키워드들을 그룹화하여 파악할 수 있는 방법)
<참고문헌>
- 김성열, 한유경, 정제영(2017). 지능정보기술 맞춤형 교육서비스 지원방안 연구. 교육부 정책연구보고서.
- 김미화, 윤관식, 박지원(2020). K대학의 역량기반 맞춤형 학습 지원을 위한 탐색적 연구. 실천공학교 육논문지, 12(1), 4960.
- 최진(2020). ‘개별화 교육’개념의 확장적 의미 탐색: 개인 형성과 교육적 공간 간의 관계를 중심으로. 열린교육연구, 28(3), 139161.
테크놀로지 기반 개별화 학습에 대한 체계적 문헌 분석: 2011-2020년 국내연구를 중심으로
- 학습자들은 언제 어디에서나 학습을 할 수 있게 되었으나 교육의 규모가 커짐에 따라 개별 학습자의 요구를 고려하기 어렵다는 이슈 역시 대두
- 이러한 문제를 해결하기 위한 방안 중 하나로 개별화 학습을 고려
- 개별화 학습 관련 연구는 '학습자는 저마다 다른 사전 경험, 지식, 흥미를 가지고 있으며, 교육은 개별 학습자의 요구에 맞추어 적합한 속도와 방법으로 이루어져야 한다'라는 관점을 공유
- 최근 인공지능 기술의 발전에 따라 이러한 개별화 학습 접근을 온라인 학습 환경에서 실제로 구현하고자 하는 시도가 급격히 증가하였는데 개별화 학습 자체는 그간 오랫동안 연구되어 온 주제
- 개별화 학습의 지향점이나 구현 방법에 관한 이해는 사회적 변화와 기술적 발전에 따라 변화
- 개별화 학습 구현 방식의 변화는 기술 수준의 변화에 따라 나타남
- 인공지능 기술이 개별화 학습 구현을 위해 선행되어야 하는 필수 조건은 아님
- 개별화 학습에서 테크놀로지의 역할을 EDUCAUSE(2020)는 개별화 학습과 적응적 학습 (adaptive learning)의 구분을 통해 설명
- 개별화 학습이란 학습자 개인의 요구에 따라 서로 다른 학습 경험을 제공하는 교수학습 형태를 의미하며, 적응적 학습은 테크놀로지 활용 학습 환경에서 개별화 학습을 구현한 것으로 적시성이 강조
- 개별화 학습의 지향점이나 구현 방법에 대한 여러 관점을 종합해 보면, 개별화 학습이란 학습자에게 적합한 콘텐츠를 적응적으로 제공하는 것뿐 아니라, 학습자가 주도적으로 학습 목표와 과정을 설정하고 설계할 수 있도록 학습의 전 과정에 걸쳐 적절한 교수학습 지원을 제공하는 것 등의 다양한 형태를 포괄하는 개념
- 그간의 개별화 학습 관련 연구는 적응적 지원을 위한 데이터의 수집과 분석에 비중을 두어온 것으로 보여짐
- 효과적인 개별화 학습을 위해서는 개인의 학습을 총체적인 체제로서 다양한 요소가 상호작용하는 현상으로 보려는 시도가 필요
- 이러한 관점에 기반해 일부 선행연구에서는 테크놀로지를 활용한 개별화 학습 환경 설계를 위해 고려해야 할 점을 프레임워크로 제시: 데이터의 출처, 대상, 시점, 통제권
- 이와 같은 프레임워크를 고려한 개별화 학습 설계 사례를 찾아보기 어렵다는 사실은 아직까지 테크놀로지 기반 개별화 학습 설계에 있어 다양한 요소가 상호작용하는 학습 체제의 총체성을 충분히 고려하지 못하였을 가능성 시사
- 본 연구에서는 개별화 학습을 설계하기 위해 고려해야 할 시사점을 도출하는 것을 목적으로, Vandewaetere와 Clarebout(2014)의 프레임워크를 바탕으로 분석
- 개별화 학습을 위해 활용하는 데이터의 출처는 무엇인가?
- 개별화의 대상은 무엇인가?
- 개별화하는 시점은 언제인가?
- 개별화에 대한 통제권을 가지는 주체는 무엇인가?
맞춤형 교욱을 위한 에듀테크 활용 교수학습모델 개발
<1장. 연구의 필요성 및 목적>
- 디지털 전환과 미래 교육환경의 변화에 따른에듀테크 활성화 정책 추진
- 초연결, 초융합, 초지능으로 요약되는 4차 산업혁명, 그리고 COVID-19 팬데믹에 대응하며 사회 저변에서 디지털 전환이 가속화되고 있음
- 교육환경은 지난 2020년부터 COVID-19 대응을 위해 원격교욱이 전면 도입되면서 교육과정, 교수-학습, 인프라 등에 디지털 기반 변화가 급격히 진행되었음
- 교육부(2023.2.23.)는 최근 다양한 교육적 문제 해결을 위해 디지털 기반 교육 혁신 방안을 발표
- 경기도교육청에서도 AI 활용 학생 맞춤형 교육 등 에듀테크를 활용한 미래교육 활성화 정책을 적극 추진 중이며, 이러한 움직임은 앞으로 더욱 가속화 될 전망
- 초연결, 초융합, 초지능으로 요약되는 4차 산업혁명, 그리고 COVID-19 팬데믹에 대응하며 사회 저변에서 디지털 전환이 가속화되고 있음
- 교사에 의한 맞춤형 교육 실현을 지원하는 에듀테크 활용의 필요성
- 우리나라에서도 2022 개정 교육과정의 필요성을 요청하는 주요한 배경으로 맞춤형 교욱에 대한 요구를 언급(교육부, 2022)
- 현실적으로 맞춤형 교육을 실천하기에는 현장의 어려움
- 개별 학습자의 특성, 수준, 흥미가 모두 다르고 학생을 둘러싼 환경도 다양하기 때문에 교사가 이 모든 다양성을 수용하고 인정하면서 맞춤형 교육을 실천하는 것은 거의 불가능
- 이러한 측면에서 에듀테크를 활용한 맞춤형 교육에 대한 논의가 활발하게 이루어지고 있으며, 특히 인간이 할 수 없는 영역인 방대한 학습데이터에 기반한 맞춤형 학습이 실현 가능하다는 점이 에듀테크 활용의 가장 큰 이점으로 거론
- AI 등의 에듀테크가 학습자의 개별 데이터를 기반으로 맞춤형 피드백을 제공하고 학습자가 자신에게 최적화된 경로를 통해 학습할 수 있다면 모든 학습자가 완전학습을 경험할 수 있을 것으로 기대
- 맞춤형 교육을 위한 실효성 있는 에듀테크 활용 교수학습 모델 개발에 대한 요구
<2장. 에듀테크 활용 맞춤형 교수학습모델 방향 설정을 위한 문헌연구>
1절. 학습자 및 학습의 관점에 대한 변화
- 학습자 및 학습의 관점에 대한 변화
- 학습자에 대한 이해의 변화
- 학습자는 그 존재 자체에 긍정성을 부여해야 하며, 행위와 실천의 주체로서 인식되어야 함
- 이러한 측면에서 학습자가 달성해야 할 교육의 성취는 전인적인 성장 및 발달과 함께 창의성, 인성 등과 같은 핵심역량과 사회적 책임감을 갖추어야 함
- 박휴용(2021) - 다른 사람 또는 주변의 환경과 상호의존적으로 존재하며, 그 과정에서 개별적이며, 독자적으로 존재하거나 온전한 능동성을 지니지 않고 주체성과 능동성을 주변의 환경에 영향을 받으며 발현할 수 있다고 보고 있음
- 이찬승(2017) - 학습자는 더 이상 지식의 소비자가 아닌 교사와 함께 공동 생산자이자 공동학습자의 위상을 가질 것이라고 언급
- 홍선주 외(2016) - 인공지능 발달로 인해 개별 학습자에 초점을 두는 맞춤형 교수학습 과정이 실현될 것이라는 논의는 수년전부터 계속해서 어루어짐
- 안선희(2016) - 학습자를 존중하는 교육현장 중심의 교육개혁 필요성을 주장하면서 학습자를 단지 교육수요자로 보는 것에 문제 제기
- 2022 개정교육과정에서도 학습자가 자신을 둘러싼 환경에서 새롭고 다양한 문제들을 주체적으로 해결하면서 인간다운 삶을 영위할 수 있도록 역량 함양에 초점을 두고 있음(온정덕 외, 2023)
- 학습자는 자신과 자신이 속해있는 환경과 상호작용하며, 새로운 지식과 개념을 습득하고 이해하는 과정에서 스스로 의미 체계를 만들어 나감
- 학습자는 자신을 둘러싼 환경과의 상호작용을 하면서 동시에 자신에 대해 이해하고 자신의 감정을 조절하고 적절한 방식으로 감정을 표현할 수 있어야 함
- 학습자는 그 존재 자체에 긍정성을 부여해야 하며, 행위와 실천의 주체로서 인식되어야 함
- 학습에 대한 관점의 변화
- 구성주의 학습이론은 교육패러다임 변화를 이론적으로 지지해주고 실천적인 대안을 제시할 수 있는 학습이론으로 언급(정형원, 이대웅, 2008)
- 구성주의는 많은 분야에서 사용되는 광범위한 의미를 가진 용어로, 지식 구성에 초점을 어디에 두는냐에 따라 다양한 관점으로 제시
- 피아제의 인지적 구성주의는 개인의 인지적 작용을 강조하며 지식 구성을 개인 내적인 차원으로 바라봄
- 인간은 기본적인 인지구조인 스키마를 가지고 있는데, 조직과 적응 과정을 통해 스키마가 발달한다고 가정
- 효과적인 학습이란 학습자의 인지발달 단계에 맞는 적절한 자극을 제공하는 것
- 인지적 구성주의가 주로 개인이 인지적 구조를 구성하는 과정으로서의 학습에 주목하는 반면, 사회적 구성주의에서는 지식을 사회적 상호작용의 산물로서 바라보며 개인이 속한 사회, 문화, 역사적 맥락을 고려해야 함을 강조
- 구성주의에서는 다은과 같은 가정에 기초하며, 먼저 학습자들은 자신의 지식을 구성하는 데에 능동적
- 구성주의에서는 이러한 지식 구성 과정에서의 사회적 상호작용을 강조
- 구성주의에서 강조하는 학습 원리는 다음과 같음
- 인식의 주체로서 학습자의 능동적인 역할 강조 - 교수보다는 학습을 강조하며, 학습자가 지식을 능동적응로 구성할 수 있도록 사고 과정을 촉진시키는 학습에 주목
- 지식은 학습된 상황(맥락)과 밀접한 관련을 갖음 - 학습자가 능동적으로 지식을 구성하기 위해서는 학교에서 배우는 지식이 일상생활에서 발생 가능한 구체적인 상황을 전제로 실제적인 맥락 속에서 이루어질 필요가 있음
- 사회적 소통을 통한 학습을 강조
- 구성주의가 지니는 교수학습 설계에서의 시사점
- 학습자 중심 교수학습 설계를 하는 데 있어 긍정적인 역할
- 실행 가능한 구체적인 과제와 맥락을 강조하는 과제를 제시할 것을 강조 - 구체적이고 복잡한 상황을 그대로 제시하고, 학습자가 학습의 주체로서 자신에게 의미 있는 지식을 보다 적극적으로 학습하도록 유도
- 고차원적인 사고를 함양할 수 있는 자기주도적인 학습이 필요
- 협동학습을 활용할 필요
- 학습이론에 관한 행동주의, 인지주의, 구성주의 접근이 학습의 과정과 의미에 대해 서로 다른 논의를 하고 있긴 하지만, 공통적으로 디지털 기술이 교수학습에 영향을 미치지 않았던 시기에 개발
- 디지털시대의 학습을 설명하기 위한 이론으로서 연결주의가 등장
- 연결주의는 디지털시대의 사람들 사이에서 네트워크 연결 구축을 통해 이루어지는 학습 과정을 설명하는 학습이론
- 학습자에 대한 이해의 변화
2절. 맞춤형 교육의 필요성과 개념 및 교수학습전략
맞춤형 교육의 필요
- 학습자에 대한 이해 및 학습 관점의 변화는 맞춤형 교육의 등장을 촉진
- 개별화에 초점화하여 맞춤형 교육의 필요성을 살펴보면, Tomlinson(2019)은 개별화 수업은 학생들이 적극적으로 수업에 몰입하고 의미 있는 학습을 할 수 있도록 지원하는 교사가 주도적으로 설계하는 수업
- 하지만 현재 다인수 학급과 학교가 대다수인 공교육 현실에서는 모든 학생들을 대상으로 맞춤형 교육을 실현하기 어려운 실정
- 코로나19 이후 정부에서는 학습격차를 해소하고 소외계층을 지원하기 위해 디지털 기술을 활용한 맞춤형 교육을 제공할 것을 주요 국정과제로 제시(대통령직인수위원회, 2022)
- 더욱이 기술이 발달하면서 공교육 체제하에서도 모든 학생을 대상으로 한 맞춤형 교육의 실현 가능성이 높아지면서 그 필요서에 대한 인식은 더욱 증대
- 본 연구에서는 맞춤형 교육에 대한 개념을 다인수 학급에서 적용할 수 있는 개념과 학습부진 학생 지도에 적용해야 하는 개념을 나누어 살펴보았으며, 각 개념에 따른 교수학습모델을 알아보고 맞춤형 교수학습모델 도출을 위한 시사점을 도출
맞춤형 교육 개념 및 교수학습전략
- 맞춤형 교육과 관련한 연구는 활발하게 이루어져 왔으며, 이러한 연구들에서 맞춤형 교육의 개념을 지칭하기 위해 사용된 용어는 다양
- 개별화 교수는 개별 학습자에게 필요한 학습을 교사가 주도하여 제공하는 반면, 차별화 교수는 학습자 집단에게 맞춰진 교육을 교사가 제공하는 형태, 반면 개인화 교수는 학습자가 주도적으로 자신에게 맞는 교육목표를 설정하고 학습 자원과 네트워크를 구축하며 학습을 진행하는 것이 특
- 동효관 외(2021) 연구에서는 맞춤형 교욱에서 특히 학생 주도적인 측면이 중요시되고 있다는 측면에서 학습자에게 보다 많은 결정권이 주어지는 개인화 교수에 기반한 맞춤형 교수 학습 원리를 일반설계 원리와 상황 설계 원리로 제시
- 이봉규 외(2022) 연구에서는 개별화 교육을 학생들의 개별적인 요구와 흥미, 태도를 고려한 맞춤형 교육으로 학습을 가속화하고 심화시킬 수 있는 시스템 및 접근 방식이라고 정의(임규현, 정성희, 2022)
- 개별화 영역을 학습자 특성, 학습 내용, 학습 방법, 평가 및 피드백, 학습데이터 분석으로 나누고 각 영역별 개별화 요소를 설정하고 요소별로 AI 기반 적응형 학습 시스템을 활용한 개별화 교수 전략을 제시
chatgpt를 활용한 텍스트 데이터에서 키워드 추출: 수동방식과의 유사도 비교를 중심으로
연구의 배경 및 필요성
- 20세기 말 컴퓨터와 인터넷 기술의 발달로 텍스트 데이터에서 유의미한 패턴이나 지식을 추출하는 텍스트 마이닝이라는 연구 분야가 등장
- 텍스트 마이닝이 비정형 텍스트 데이터에서 유의미한 패턴을 찾아내는 과정을 의미하는 방대한 영역이라면 키워드 추출은 그 한 분야로, 텍스트에서 가장 중요하거나 관련성이 높은 단어 및 구를 식별하고 추출하는 작업
- 키워드 추출 목적의 데이터 마이닝 기법에는 크게 통계 기반, 머신 러닝 기반, 딥러닝 기반 방법
- 딥러닝 기반의 llm을 활용하여 데이터 분석에 적용하려는 시도
- Julianto et al., 2023: 트위터 피드 텍스트 데이터에서 감정분석 수행
- Chan, 2023
- ChatGPT와 같은 LLM기반의 자동 키워드 추출과 인간의 수동 키워드 추출 방식 간의 유사도를 조사하는 것은 매우 중요한 함의 > 인간 수동작업과 충분히 일치한다면 강력한 연구 보조 도구
- 대량의 텍스트 처리에서 인간의 수동작업은 비효율적이라는 근본적 단점이 있고, 또한 주관적 판단으로 인해 타인이 수행한 것과 산출 결과가 다를 수 있다는 내재적 단점 존재
- 이 연구에서 분석 초점이 된 데이터는 매우 짧은 길이라는 특징이 있으며, 이는 기존의 통계기반 방법이나 학습이 필요한 머신러닝 방법이 적용되기엔 어려운 조건
연구 목적 및 연구 문제
- GPT-3.5와 GPT-4.0 모델로 각각 3회씩 키워드 추출을 시도했을 때 모델별로 각 회차 간일관성(consistency)은 어느 정도인가
- GPT-3.5, 4.0, 수동방식 간 키워드 추출 결과의 유사도(similarity)는 어떠한가
- GPT-3.5, 4.0, 수동방식 간 키워드 추출 유사도가 낮은 데이터의 특징은 무엇인가
이론적 배경
- 텍스트 마이닝 키워드 추출에서 기존 방식의 한계점
- 텍스트마이닝은 문서의 주요 내용을 빠르게 파악하는 목적으로 키워드 추출이 활용 (Turney, 2000)
- 통계 기반과 머신러닝 기반은 상대적으로 전통적인 방식이며, 두 가지 제약 존재
- 키워드 목록에 기능어와 범용어가 존재하여 키워드 분석의 정확성을 저해
- 불용어 정제 과정은 수동작업에 의존하는 경우가 많아 최적화에 시간이 오래 소요되는 비효율적인 특징 (Chen, 2023)
- 키워드 추출방법에서는 구문 간 의미 의존성을 고려하고 추출의 정확성과 신뢰성을 확보하기 위해 동의어 사전 등을 미리 구축하는 것이 일반적 > 동의어 사전은 일반적으로 언어 전문가가 수동으로 구성, 새로운 언어가 등장할 때 마다 반복
- 동의어 사전에 나오지 않는 어구의 의미정보를 획득하는 것이 어려움 (Xie et al., 2010)
- 위의 단점들로 인해 기존 방법들 대비 자연어처리 분야에서는 딥러닝이 선호 (박상언, 2021)
- 텍스트 데이터 처리 연구에서 chatgpt의 활용
- 트랜스포머 아키텍처와 어텐션 메커니즘은 입력 데이터의 중요한 부분에 주목하도록 설계되어 있기에, 특정 문장이나 문단의 핵심어를 파악하는 데에도 이용
- 이와 같은 강점으로 chatgpt는 다음 세 가지 정도의 분야에 적용
- 서술형 평가 연구(박소영 외, 2023; Bhat et al., 2022)
- 기존의 토픽모델링 연구에 ChatGPT를 결합한 연구(양지훈 외, 2023; 이봉우, 조헌국, 2023)
- 이봉우, 조헌국, 2023 - 기존의 토픽 모델링 연구에서 연구자의 경험과 지식에 의해 토픽명이 정해지는 타당성 문제를 지적하며 이에 대한 대안으로써 ChatGPT를 결합한 토픽 모델링 분석 방법을 제안
- 양지훈 외, 2023 - LDA 토픽모델링을 실시한 뒤, ChatGPT가 제안한 토픽명을 선정하는 방식으로 활용
- ChatGPT를 이용하여 키워드를 추출한 연구(Kang et al., 2023; Zhou et al., 2023)
- Kang 외(2023) - 학술논문에서 저자 가 기입한 키워드와 ChatGPT 및 BERT가 생성한 키워드의 상관관계를 조사
- Zhou 외(2023) - ChatGPT를 통해 성형의 학 분야 논문의 상위 10개의 키워드를 답변받고, 이를 Web of Science의 상위 출현 빈 도 키워드와 비교
- LLM을 기반으로 한 ChatGPT는 제목이나 키워드, 핵심 문장 등의 텍스트 데이터를 처리하는데 충분한 성능을 보이기 때문에 교육과 연구 영역에서 다양한 활 용 방법이 시도
- 각기 연구 목적에 맞는 파인튜닝 방법에 대한 연구나, ChatGPT 활용 결과의 신뢰도 문제를 해결하는 연 구들이 필요하다(박소영 외, 2023)
- 신뢰도 문제를 보완하기 위해서는 인간 연 구자의 검토가 요구되며(Buriak et al., 2023)
- 이와 같은 강점으로 chatgpt는 다음 세 가지 정도의 분야에 적용
- 트랜스포머 아키텍처와 어텐션 메커니즘은 입력 데이터의 중요한 부분에 주목하도록 설계되어 있기에, 특정 문장이나 문단의 핵심어를 파악하는 데에도 이용
연구 방법
- chatgpt활용 키워드 추출 절차
- 데이터를 구글스프레드시트로 옮김
- ‘GPT for Work by Talarian’을 설치하여 OpenAI 홈페이지에서 개인 계정으로 발 급받은 ChatGPT API 키를 입력
- 디폴트 세팅에서 ChatGPT에게 역할을 부여해 줄 수 있는기능인 커스텀인스트럭션(custom instructions)에 ‘you are a teacher’
- 답변의 창의성 정도를 조절할 수 있는 기능인 템퍼러쳐(temperature) 값은 0으로 고정하여 주어진 데이터를 기반으로 정확한 작업을 수행
- 두 모 델 모두최대토큰사이즈는기초값인500으로 설정
- 전처리 작업 > 띄어쓰기를 제거하고, 동의어 사전을 추가(자카드 유사도 산출 위해)
- 자카드 계수
- 컴퓨터 비전 (Xu et al., 2020) 등 다양한 분야에서 사용되며, 주로 두 집합 간의 유사도를 측정하는 데 주로 쓰인다(Bag et al., 2019)
- 자카드 유사도의 일반적인 컷오프 값(cut-off value)은 0.55로써, 이 이상일 때 유사한 것으로 간주하고 있다(Niwattanakul et al., 2013).
논의
- gpt 모델 활용의 일관성과 신뢰성
- GPT 모델을 활용하여 하나의 텍스트 데이터에서 키워드 추출 시, 여러 번 시행해 도 일관된 결과가 나와야 그방법에 대한 신뢰성이 확보 (Hackl et al., 2023)
- 인간 수동방법 대비 LLM이 충분히 객관적이고 효율적인 방법임을 주 장한 최신 연구들(Hackl et al., 2023; Zhang et al., 2023)의 결과와 같은 맥락
- 프롬프트 최적화 방안으로 Hackl 외(2023)은 역할 제안, 질문, 예시, 단계별 작업 등의 구체적인 요소를 포함
- 텍스트마이닝 작업에서 GPT-3.5와 GPT-4.0의 선택 문제
- GPT-4.0은 GPT-3.5에 비해 약 1,000배의 매개변수를 지닌 훨씬 큰 아키텍처를 가지고 있어서 자 연어처리 성능이 더 우수하다고 알려져있다(Koubaa, 2023)
- GPT-4.0이 단어 사용 맥락을 충분히 고려하기 때문에 그 성능이 더 좋을 것으로 예측할 수 있음
- 텍스트 마이닝 작업에서 거대언어모델 활용의 방법적 타당성
- 텍스트 마이닝 작업은 인간 전문가가 하는 방법이 가장 효과적이나 비효율적이기 때문에(Armouty & Tedmori, 2019), 통계기반, 머신러닝, 딥러닝 기반의 방법들이 쓰이고 있음
- 그러나 이러한 방법들도 정확도를 확보하기 위해서 많은 시간이 소요되고(Chen, 2023) 명확한 의미정보를 확인하지 못한다는 단점이 있(Xie et al., 2010).
- 인간의 키워드 추출 결과는 개인의 주관적 경험, 지식, 문화적 경험을 기반 으로 목적과 의도가 반영된 출력물이라고 볼 수 있음
- 반면 LLM을 활용한 키워드 추 출 결과는 학습된 대규모 텍스트 데이터와 알고리즘을 바탕으로 앞뒤 맥락을 고려하 여 객관적으로생성된키워드일뿐
- GPT 모델을 활용하여 하나의 텍스트 데이터에서 키워드 추출 시, 여러 번 시행해 도 일관된 결과가 나와야 그방법에 대한 신뢰성이 확보 (Hackl et al., 2023)
- 연구의 제한점
- ChatGPT 활용 연구의 가장 기본적 제한점은 연구 결과가 연구에서 활용된 프롬프트 에 종속적일수있다는것
>>> 연구 결과를 살펴보 면, 수동방식과 GPT-3.5를 활용했을 때 자카드 유사도 0.50으로 이 연구가 상정한 ‘유사함’의 기준을 겨우 충족
>>> Kang 외 (2023)이 논문 초록에서의 키워드 추출 맥락을 적용
>>> 키워드 추출을 위해 다양한 프롬프트를 시도해보고, 의도와 맥락에 맞는, 특화된 프롬프트를 개발하고, 이를 평가하는 시도들이 이어지길 기