시선추적 데이터 기반 AI 실시간 온라인교육 맞춤형 피드백 시스템 설계 및 사용의향 평가

2.1 실시간 온라인교육, 학습분석학과 생체데이터

학습자의 학습활동에 대한 데이터 분석이 정교화됨에 따라, 광대한 데이터를 통합 및 분석하여 학생의 수준이나 요구에 맞게 즉각적으로 개별화된 교육 기회를 제공하는 학습분석학을 접목하려는 시도가 교육분야에서 COVID-19 팬데믹 이후, 확산하고 있다. 특히 기존 온라인교육은 녹화된 동영상이나 애니메이션으로 제공되어, 일 방향적이라는 한계를 가지고 있으며, 이에 따라 교수자-학습자간 상호작용이 제한적으로 제시되었다[7]. 따라서 테크놀로지와 통계가 발달함에 따라, 비록 물리적 공간을 다르지만 동일 시간에 접속하여 동시에 학습활동을 할 수 있도록 지원하는 플랫폼을 통해 교수자와 학생 간 화상 수업인 실시간 온라인교육을 Face To Face를 통한 전통식 교육방법의 온라인 형태로 간주하여[8], 실시간 온라인교육에 관한 관심이 집중되었다.

실시간 온라인교육에서 학습분석은 진행 중인 수업 상황을 파악하는 최적화된 방안을 마련해준다. 특히, 학습자에게 적응적 피드백(adaptive feedback)을 제공해주어, 문제 행동을 즉시 개선할 수 있다. 교수자는 학습자 강의를 잘 이해하고 있는지, 집중하고 있는지를 파악하여, 의도한 학습목표에 도달하고 있는지를 알 수 있다. 대규모 강좌의 경우, 면대면 현장 강의에 비해 교수자가 한 번에 수업 상황을 파악하기 어렵기 때문에, 현황을 파악할 수 있는 도구가 필요하다[9, 10].

초기에는 학습자의 학습과정 활동내역이 담긴 로그데이터(log data)에 기반한 실시간 수업현황을 히트맵, 원형 도표, 막대그래프 등을 활용하여 대시보드로 구현하였다. 그 결과, 일방적으로 강의가 전달되는 기존 온라인교육의 한계를 느낀 학습자들일수록 실시간 피드백에 대한 효과를 강하게 인식하였으며, 교수자의 설명에 대한 이해와 높은 학습 동기를 보였다[9]. 그럼에도 불구하고, 로그데이터의 특성상 클릭 수를 통해 가장 많이 본 댓글이나 학습화면 탭에 머무르는 시간 등을 확인할 수 있어도 실제 교수자의 설명하는 내용을 이해하고 있는지, 집중하고 있는지를 파악하기 어렵다[10].

이러한 한계를 극복하고자 시선추적, 얼굴분석 등을 통해 실시간 온라인 수업에서의 수업에 대한 집중, 감정상태, 참여정도를 분석하거나 예측하려는 시도가 있다[10, 11].

그 예로 Sharma 외[11]는 교사의 설명을 이해하는 학습자의 집중정도를 의미하는 With-me-ness는 MOOCs에서의 학습성과를 좌우한다. 교수자가 실시간으로 설명하고 있는 영상 위에 하이라이트와 같은 시각 효과와 함께 피드백을 함께 제공했을 때, 통제집단인 학생보다 실험집단 27명은 높은 학습성과를 보였다. 시각효과와 함께 피드백을 받은 학생들이 시간이 지날수록 교수자의 설명과 제스처에 대해 집중하여, 많은 내용을 이해할 수 있었다.

또한 Hasnine 외[10]는 MOEMO(Motion and Emotion)을 통해 학습과정에서 학습자의 몰입과 정서(기쁨, 슬픔, 분노, 좌절 등)를 파악할 수 있는 실시간 학습분석 시스템을 제안하였다. MOEMO는 노트북에 내장된 일반적인 웹 카메라로 촬영한 강의영상에서 얼굴 특징을 분석하여, 실시간으로 학습자의 감정 데이터를 추출한다. 이는 자동화된 감정 감지 프로세스를 통해 5가지 참여유형(강한 수준 참여, 높은 수준 참여, 보통 수준 참여, 낮은 수준 참여, 비참여)과 2가지 집중 유형(집중, 산만)으로 구분된다. 또한 해당 대시보드는 수업 후 보고서 생성 기능을 통해, 실시간 분석뿐만 아니라 수업 후 종합적인 학생들의 정서상태, 집중력, 참여정도를 확인할 수 있다([Figure 1] 참조). 이들 연구를 통해, 실시간 온라인교육에서 학습자에게 즉시 적절한 피드백을 제공할 수 있도록 섬세한 설계가 필요함을 알 수 있다. 본 연구는 노트북에 일반적으로 내장된 웹캡을 활용하여, 별도의 기기를 사지 않아도 학습자의 집중과 참여를 독려할 수 있는 실시간 피드백을 제공하기 위해 시선 데이터를 활용할 것이다.

Figure 1.

MOEMO dashboard

2.2 피드백

피드백은 학습상황에서 수행하려는 목표와 현재 이해(understanding)와 성과(performance) 간 불일치를 줄이기 위한 노력이다[1, 12]. 학습자의 현재 학습상태 및 수행에 대한 정보를 제공하는 모든 유형의 의사소통으로써, 현재의 수행을 개선할 수 있다[13]. 학습자는 교수자에게 받는 피드백을 통해 효과적인 학습전략을 적용하고 노력의 양을 증가하며, 설정한 목표를 포기하거나 일부만 도달하려는 상황을 최소화할 수 있다. 교수자는 학습자에게 피드백을 통해 적절한 도전과 구체적인 목적을 제공하며, 효과적인 학습전략 및 도움을 적시에 제공할 수 있다[12].

학습 내용과 관련되어서 제공되는 목적에 따라 피드백은 교정적(corrective), 제안적(suggestive), 정보적(informative), 동기부여적(motivational)으로 구분된다[2, 14]. 교정적 피드백은 학습자의 답변이나 행동에 대한 정확성 여부를 알려주기 위한 피드백이며, 제안적 피드백은 힌트나 핵심 질문 등을 통해 수정이 필요한 부분을 지적한다. 정보적 피드백은 학습자의 과제에 대한 추가적인 정보를 제공하며, 동기부여적 피드백은 문제해결을 지속할 수 있도록 학습동기를 부여한다[2].

본 연구에서 다루는 학습행동을 분석한 학습참여에 관련되어 효과적인 피드백을 제공하기 위해서는 제공시점, 횟수, 적응성(adaptiveness), 제공하는 목적과 수준을 고려해야 한다.

첫째, 학습목표에 따라 피드백을 제공하는 시점이 즉각적이어야 하는지, 지연적이어야 하는지를 결정해야 한다. Mathan과 Koedinger[15]는 발생하는 오류의 수정 개선이 목표일 경우에는 메타인지적 기술을 포함하기 때문에, 지연적 피드백이 제공되어야 한다고 강조하였다. 반면, 수행개선이 목표일 경우에는 학습자가 시도를 통해, 스스로 오류를 분석하여 수정해나가는 잘 설계된 피드백을 즉시 제공해야 한다.

둘째, 피드백 제공 횟수와 정보 제공방식을 고민해야 한다. 대부분의 연구는 정답을 맞힐 때까지 피드백을 제공하는 다중시도(multiple-try)[16]와 순차적으로(sequentially) 관련 정보를 제공하는 방식이 인지부하 측면에서 효과적임을 보고하였다[17].

셋째, 모든 학습자에게 같은 피드백을 제공하는 것보다 학습자의 사전지식, 메타인지, 학습동기 등을 고려하여 맞춤형 피드백을 제공하는 것이 효과적이다[17].

넷째, 학습자의 특성 및 학습목표를 고려하여 어느 수준에서 피드백을 제공해야 하는지, 어떤 목적으로 피드백을 지원해야 하는지를 결정해야 한다[12] ([Figure 2] 참조). 실제 피드백은 현재 상태와 원하는 목표 상태와의 불일치를 줄이기 위한 목적으로 제공되어야 하며, 과업 수준(task level)에서 학습이 얼마나 잘 이해하고 있으며, 수행되고 있는지 분석하는 피드백, 이해/수행하는 데의 과정을 다루는 과정 수준(process level), 자기 감시, 지시, 규제 활동과 관련된 자기조절 수준(self-regulation level), 학습자에 대한 개인적인 평가와 영향에 대한 자아 수준(self level)으로 구분된다. 이는 A: 동기강화 피드백과 B: 정보교정 피드백으로 구분되며, 수준에 따라 a: 피드백 없음, b: 정확/잘못된 피드백, c: 올바른 피드백 제시, d: 정교한 피드백으로 제공될 수 있다.

따라서 본 연구에서는 다루는 피드백은 동기강화 피드백과 정보교정 피드백으로써 학습자의 시선 데이터를 분석하여, 학습자의 참여 수준에 따라 피드백을 즉각적으로, 반복적으로, 개별화된 피드백을 제공하여 학습자들이 학습참여를 유발하고자 하였다.

2.3 자동화된 피드백

기술이 발전함에 따라 자동화된 정교화된 형태와 기능을 갖추게 되었다. 학습 내용의 순서와 분량을 학습자의 수준에 맞게 조정할 뿐만 아니라 사전에 입력된 피드백을 학습자 응답에 따라 자동으로 제공할 수 있다. 시스템을 통해 제공되는 이 기능들을 활용하여, 자동화된 피드백은 학습자에게 개별화된 피드백을 제공하여 학습과정에서의 개선사항을 알려주어, 학습동기와 학습성과를 향상시킨다[4]. 또한 교수자에게는 개별 과제를 채점하고 코멘트를 작성하는 번거로움을 줄여줌으로써, 불필요한 시간의 감소와 효과적인 한정된 자원활용을 통해, 보다 양질의 피드백을 제공한다[2].

관련 연구를 살펴보면, 학습자의 학습 경험과 성과를 개선할 수 있도록 테크놀로지를 통해 제공되는 피드백(Technology-Enhanced Feedback, TEF)에 대한 연구가 있다. 시스템에서 학습자가 정보 획득과 전달, 적절한 피드백으로 전달하는 과정 중 1번이라도 테크놀로지가 개입되면, TEF에 속한다.

관련 연구를 살펴보면, Kim[18]은 67명의 EFL(English as a Foreign Language) 대학생들에게 스크린 캐스트(screencast)를 활용하여 개별화된 시청각 피드백(Audio-Visual Feedback, AVF)를 제공하였다. 15주 동안의 수업을 마친 후, 수업 전보다 학습자의 글쓰기 능력과 학업 동기를 크게 향상되었다. AVF가 자세한 설명을 통해 학습자의 이해를 도왔을 뿐만 아니라, 학습 동기를 제공하여 참여 및 적극적인 청취를 촉진하였기 때문이다. 또한 교사는 AVF를 활용하여 평균 1분당 750단어를 학생들에게 제공하였다. 일반적으로 평균 1분당 140~160단어를 말한다는 점을 고려할 때, 교사가 학생들에게 평가과정에서의 불필요한 시간과 노력을 줄임으로, 세밀하게 분석된 양질의 피드백을 학생들에게 제공한 것으로 유추할 수 있다.

또한 Oinas 외[19]는 TEF에 대한 자기조절 학습지원의 핀란드 대학생들의 인식을 조사하였다. 62명의 인터뷰와 132명의 설문지 응답을 분석한 결과, 학생들이 바람직한 학습목표를 이해하는 데 TEF가 도움이 됨을 밝혔다. 그뿐만 아니라 이모티콘이 학습행동을 모니터링하는 데 효과적이기 때문에, 적극적인 참여를 위한 피드백으로 활용될 수 있음을 주장하였다.

선행연구들은 언어학습과 동료학습에서의 TEF 활용의 효과성을 살펴본 연구들이 대부분이었고, 실증연구 및 개발연구의 수는 드물었다. 그뿐만 아니라 연구대상, 교육환경, 교수자의 개입 수준이 상이하였다. 최근에는 실시간 화상 플랫폼이나 학습관리시스템(Learning Management System, LMS)을 통해 제출한 과제에 대해 댓글로 피드백을 제공하는 연구 등이 수행되고 있다[2].

3.1 설계

첫째, 선행연구를 토대로 맞춤형 피드백 제공을 위한 학습자용 초기 대시보드를 개발하였다. 본 연구에서 피드백은 실시간 온라인교육이라는 교육환경의 특성을 고려하여, [Figure 2]의 과정 수준에서 제공된다. 선행연구[12, 14]를 바탕으로 구분된 피드백 유형 및 성격을 고려하여([Figure 2] 참조) 피드백이 제공된다. A(동기강화 피드백)의 경우, 시스템의 자동화된 피드백으로 제공된다. B(정보교정 피드백)의 b(정확/잘못된 피드백), c(올바른 피드백 제시), d(정교한 피드백)의 경우, 학습자 개인의 수행과 이해 수준을 돕고자 교수자가 입력하여 제공할 수 있도록 설계되었으며, a(피드백 없음)의 경우 실시간 온라인 수업에서 학습참여 및 몰입 촉진에 도움이 되지 않기 때문에 제외하였다.

Figure 2.

The type of feedback※ A: Motivational reinforcing feedback, B: Informational corrective feedback※ a: No feedback, b: correct/incorrect feedback, c: presentation of correct feedback, d: elaborative feedback※ According to the perspective of this study, the contents of Hattie & Timperley (2007) p.87 and Smith (1988) pp.733-735 are reconstructed.

둘째, 개발된 대시보드는 2명의 교육공학 전공 자문가들에게 줌(zoom)을 활용하여 1시간 내외의 자문을 받았다. 자문내용을 반영하여 수정하고, 최종 대시보드를 개발하였다. 최종 대시보드의 UI(user interface)는 실제 데이터의 활용을 고려하였다.

셋째, 본 연구에서는 학습자에게 실시간 피드백을 제공하기 위해서 학습자의 생체데이터 중 대표적인 시선 데이터를 활용하고자 하였다. 시선 데이터는 온라인교육에서 학습자의 주의집중, 참여, 인지부하 등의 측정이 가능하여 다중양식에서 대표적으로 사용되고 있다[20]. 시선추적 장비로부터 수집된 데이터를 기반으로 해석하는 과정을 통해 학습자에게 맞춤형 피드백을 제공하고자 한다.

특히 웹캠 기반으로 시선 추적 데이터를 얻기 위해 WebGazer[21]를 활용한다. WebGazer는 인공지능 기술을 통해 얼굴과 동공의 위치를 분석하여 화면 내 시선의 위치를 파악하는 자바스크립트로 구현된 오픈소스 라이브러리이다. WebGazer는 전통적인 컴퓨터 비전 알고리즘을 사용하여 얼굴 정보를 추출하고 이를 각각 회귀 및 다항식 함수를 기반으로 화면 좌표에 매핑하며, 대규모 데이터 세트에 대해 훈련된 엔드투엔드 딥 러닝 알고리즘(end-to-end deep learning algorithms)을 적용하여 웹캠 시선 추적의 잠재력을 향상시킬 수도 있다[22]. 또한 WebGazer는 실험실 내에서 파악하기 어려운 자연스러운 행동을 파악하기 위해 활용되는데, 특히 원격 환경에서 웹 검색 행동을 분석하거나[20], MOOC 환경에서의 자연스러운 학습자 의도를 분석하기 위해 활용되었다[23].

본 연구에서는 WebGazer를 통해 시선의 움직임을 추적하여 실시간으로 화면 내 사용자의 시선 위치를 파악한다. 사용자의 시선이 사전에 설정한 관심 영역 (화면 내 수업이 진행되는 웹 브라우저 영역)을 벗어나는 경우를 감지한다. WebGazer는 화면 내 얼굴이 위치하지 않을 때조차 시선의 움직임을 표현한다. 이점을 보완하기 위해 Google에서 제공하는 Mediapipe를 활용하여 웹캠에 얼굴이 존재하지 않는 경우에는 수업 활동에 참여하고 있지 않은 것으로 처리한다. 또한 사용자의 웹 브라우저 창의 활성화 상태를 감지하여 참여도 파악에 활용하였다. 브라우저 창이 최소화되거나 다른 탭으로 전환되는 경우, 수업 활동에 참여하고 있지 않은 것으로 간주하였다. 수업 미참여 행동(창 최소화, 다른 탭 전환, 음소거 등)이 10분을 기준으로 20% 이상 나타나면, 시선추적 데이터가 확보되어도 참여도의 수준을 하(下)집단으로 평가할 예정이다. 감지된 모든 데이터는 사용자의 컴퓨터에 실시간으로 저장이 되며, 10분 간격으로 분석을 위해 서버로 전송된다. 서버에서는 이 데이터를 종합하여 각 학습자의 참여도 수준을 평가하고, 이 정보를 교수자에게 전달한다. 참여도의 수준 평가는 화면에 고정된 평균 10분 동안 비율로, 상위 70% 상(上)집단, 하위 30% 집단은 하(下)집단으로 구분할 예정이다.

넷째, 학습자들의 행동들을 기반으로 하여 자동화된 맞춤형 피드백 제공을 위한 기준 및 제공되는 피드백 내용을 설계하였다(<Table 1> 참조).

Table 1.

Example of an automated feedback design.

구체적으로 학습자별 기준점을 삼을 수 있는 캘리브레이션을 실시간 온라인 수업 전 실시한다. 10분 단위로 누적된 데이터의 분석 결과에 따라 피드백 역시 10분 단위로 제시된다. 피드백은 퍼듀 대학교(Purdue university)의 사례를 참조하여, 종모양 아이콘과 함께 위험(빨간색)과 칭찬(초록색)으로 전달된다.

3.2 대시보드 개발

첫째, 실시간 온라인 수업이 이루어지는 화면은 [Figure 3]과 같다. 오른쪽 화면에는 교수자와 학습자 본인의 얼굴이 나올 수 있도록 하였으며(①, ②번), ③번에는 이모티콘(Emoji)를 배치하여 학습자의 인지적, 심리적 상태를 나타낼 수 있도록 하였다. ④번에는 교수자-학습자, 학습자 간 이야기를 나눌 수 있는 채팅창이, ⑤번에는 동료 학습자의 현황이 보일 수 있도록 설계하였다. 또한 ⑥번에는 학습현황 및 시선추적 현황이 보일 수 있도록 배치하였으며, 2분마다 수집된 데이터의 평균이 가로바 형태로 보일 수 있도록 설계하였다. 이와 함께 자동화된 피드백은 10분 단위로 고정된 자동화된 피드백을 제공하며, 기준값에서 학습자가 벗어날 때 즉시 자동화된 피드백을 제공한다. 또한 교수자는 언제든지 피드백을 줄 수 있다.

Figure 3.

Customized feedback system screen design for learners in synchronous online education※ Some screen designs may change during system upgrade work.

둘째, 실시간 온라인 수업에서 수집된 데이터를 분석하여 활동에 관한 결과를 보여주는 화면은 [Figure 4]와 같다. 해당 화면은 학습과정에서 생체데이터를 학습분석학적 관점에서 분석한 결과를 보여준다. 전반적인 결과를 요약해주는 분석 결과와 학습활동 분석으로 구성되어 있다. 학습활동 분석은 시선추적에 대한 실시간 분석 결과를 보여주며, 학습을 마친 후 참여도의 높고 낮은 구간과 어려움 예측구간을 알려줌으로써 학습자가 자신의 학습상황을 점검할 수 있도록 하였다. 시선추적 분석을 통해 참여도가 높은 구간과 낮은 구간을 알 수 있으며, 눈 깜빡임 분석을 통해 학습 내용 이해에 어려움을 겪은 구간을 예측할 수 있다. 학습 중과 후에 따라 아이콘의 활성화 여부에 따라, 학습자가 이를 확인할 수 있도록 하였다.

Figure 4.

Learning activity screen design applying learning analytics in synchronous online education※ Some screen designs may change during system upgrade work.

4.1 연구 대상

개발된 맞춤형 피드백 시스템의 대시보드에 대한 사용의향을 확인하기 위해, 4주(2023.4.28.~2023.5.20.)에 걸쳐 전국의 4년제 대학생들의 의견을 수집하였다. 구글 설문지를 활용하여 관련 링크를 대학 게시판 및 커뮤니티 등에 배포하였다. 본 연구에 참여한 대학생들은 모두 연구참여에 동의하였으며, 연구참여에 동의하지 않은 학생의 경우, 설문조사에 참여할 수 없게 하였다. 온라인 설문의 특성상 모두 응답하지 않으면 제출되지 않아 모든 문항에 응답하였다. <Table 2>에서 볼 수 있듯이 총 262명 대학생이 참여하였으며, 여학생과 수도권 A대학, 20~25세 이하, 인문사회 계열 대학생이 가장 많았다. 학년별은 비슷한 응답 수를 보였다.

Table 2.

Participants

4.2 연구 절차 및 분석

첫째, 수도권 A대학 생명윤리위원회를 통해 IRB 심의를 받았다(No. 2022-01-006). 둘째, 4주간 온라인 설문에 대한 응답을 수집하였다. 셋째, Likert 5점 척도(1=매우 그렇지 않다~5=매우 그렇다)로 구성된 개발된 맞춤형 피드백 시스템 대시보드에 대한 필요성과 사용의향에 대한 빈도분석을 실시하였다. 넷째, 서술형으로 수집된 응답은 교육공학 전문가 2명에 의해 키워드 중심으로 내용을 분류하였다. 분류된 내용은 빈도분석을 실시하였다.

4.3 연구 도구

개발될 맞춤형 피드백 시스템의 대시보드에 대한 필요성과 사용성과 실시간 온라인교육에서 필요하다고 생각되는 기능에 대한 의견을 분석하였다. 본 연구의 설문에 응답한 대학생 모두 실시간 온라인 수업에 대한 사전경험을 가졌다(<Table 3> 참조).

Table 3.

Questionnaire

5.1 필요성에 대한 인식 분석 결과

본 연구에서 개발될 실시간 온라인 환경에서 학습참여 촉진을 위한 맞춤형 피드백을 제공하는 시스템의 학습자용 대시보드의 필요성을 분석하였다. 그 결과, ‘적절하다’와 ‘매우 적절하다’에 응답한 학생들이 144명(54.9%)으로 가장 많았으며, ‘보통이다’ 35명(13.4%), ‘적절하지 않다’ 32명(12.2%), ‘매우 적절하지 않다’ 51명(19.5%) 순으로 나타났다. 이를 통해 대학생들은 본 연구의 학습자용 대시보드가 적절하다고 인식하였음을 알 수 있다(<Table 4> 참조).

Table 4.

The result of necessity

5.2 사용의향에 대한 인식 분석 결과

본 연구에서 개발될 실시간 온라인 환경에서 학습참여 촉진을 위한 맞춤형 피드백을 제공하는 시스템의 학습자용 대시보드의 사용의향을 분석하였다. <Table 5>의 결과, ‘종종 사용할 것이다’와 ‘항상 사용할 것이다’에 응답한 학생들이 176명(68.3%)으로 가장 많았으며, ‘때때로 사용할 것이다’ 28명(10.7%), ‘전혀 사용하지 않을 것이다’ 15명(5.7%), ‘거의 사용하지 않을 것이다’ 40명(15.3%) 순으로 나타났다. 이를 통해 대학생들은 본 연구를 통해 개발된 학습자용 대시보드를 사용하고 싶어 한다고 해석할 수 있다.

Table 5.

The result of intention to use

사용의향인 ‘종종 사용할 것이다’와 ‘항상 사용할 것이다’에 응답한 179명 중, 미응답자 74명을 제외한 105명 학생의 사용하고자 하는 이유를 분석하였다. <Table 6>의 결과, 75명(67.6%)이 ‘집중을 더 잘할 수 있어서’로 응답하였다. 다음으로 ‘사용하기 편하고 간단한 UI라서’ 11명(9.9%), ‘내 학습현황과 학습패턴을 실시간으로 파악할 수 있어서’ 9명(8.1%) 순이었다. 이외 ‘교수자와의 상호작용’ 2명(1.8%), ‘사용에 대한 호기심’ 2명(1.8%), ‘나의 상태를 표현할 수 있어서’ 1명( .9%) 등의 의견이 있었다.

Table 6.

The result on reasons for use

사용하지 않을 것이라는 의사를 나타낸 ‘전혀 사용하지 않을 것이다’와 ‘전혀 사용하지 않을 것이다’에 응답한 55명 중, 미응답자 4명을 제외한 51명 의 사용하고 싶지 않은 이유를 분석하였다. 다음 <Table 7>과 같이 14명(27.5)%이 ‘억압받는 것 같아서’로 가장 많이 응답하였고, ‘부담스러워서’ 12명(23.5%), ‘내 학습에 도움이 될지 모르겠어서’와 ‘피드백을 받더라도 개선할 마음이 들지 않을 거 같아서’ 9명(17.6%) 순이었다. 이외 ‘프라이버시를 침해하는 것 같아서’ 2명(3.9%), ‘새로운 시스템에 대한 거부감’ 1명(2.0%), ‘익숙하지 않아서’ 1명(2.0%) 등의 의견이 있었다.

Table 7.

The result on reasons for not use

실시간 온라인교육에서 나의 학습에 도움이 될 거 같은 기능에 대해, 미응답자 101명을 제외한 161명 학생의 응답을 분석하였다(<Table 8> 참고). 구체적으로 살펴보면‘학습과정에 집중할 수 있는 기능’이 30명(18.6%)으로 가장 많았다. 다음으로 유사한 속성의 비슷한 응답을 구분하여 살펴보았다. 즉,‘교수자로부터 바라는 점(A)’54명(33.5%)과‘동료 학습자로부터 바라는 점(B)’20명(12.4%)이 높게 언급 되었다. 상세하게 살펴보면, A에서 학습자는 교수자와 즉각적인 상호작용을 하고, 현황을 파악하여 실시간 피드백이나 처치를 받는 기능을 원하였다. B에서는 학습자간 상호작용을 위해, 다양한 이모지를 사용하거나 의견을 나눌 수 있는 자유로운 분위기가 조성되기를 희망하였다. 다음으로‘안정적인 시스템’16명(9.9%),‘복습을 위한 실시간 온라인 강의 녹음 지원’10명(6.2%),‘손쉬운 사용을 위한 매뉴얼 및 서비스 센터 지원’ 8명(5.0%), ‘현장감 있는 강의를 위한 실재감 요소가 포함된 강의 제공’ 5명(3.1%) 순으로 나타났다. 이외‘개별화된 맞춤형 피드백 제공’3명(1.9%),‘학습패턴 분석 후, 학습참여를 독려할 수 있는 기능’2명(1.2)%,‘실시간 수업영상에 자막 제공’1명( .6%)등이 있다.

Table 8.

The result of features considered necessary in synchronous online education