대학 컴퓨팅사고 수업에서 ITS 기반 적응형 학습과 교수 피드백이 자기 주도 학습 및 학업 성취에 미치는 영향
; 이유은††
; 정연진†††
; Yueun Lee††
; Yeonjin Jeong†††
초록
본 연구는 대학의 블렌디드 러닝 수업에서 ITS 기반 적응형 학습 방법과 교수자의 피드백이 학생들의 자기 주도적 학습 능력과 학업 성취도에 미치는 영향을 검증하고, 피드백 유형을 도출하고자 수행되었다. 이를 위해 2023학년도 1학기 H 대학교에서 개설된 ‘컴퓨팅사고-데이터기초’ 교과목 수강생 218명을 대상으로 학업 성취도와 자기 주도적 학습 능력 변화를 측정하였다. 양적 데이터는 SPSS 25.0을 활용하여 정규성 검증, 기술통계, 대응표본 t-검증을 실시하였고, 질적 데이터는 SPSS Modeler Premium 17을 사용하여 텍스트 마이닝 기법의 빈도 분석을 통해 도출하였다. 연구 결과, 학생들의 기말고사 점수가 중간고사 점수보다 통계적으로 유의하게 7.66점 높아졌으며, 자기 주도적 학습 능력 점수에는 유의한 차이가 없었다. 피드백 유형으로는 ‘과제에 대한 피드백’, ‘과정에 대한 피드백’, ‘자기조절에 대한 피드백’, ‘학생 개인에 대한 피드백’의 4가지가 도출되었다. 본 연구는 COVID-19 이후 원격수업에 대한 수요가 높아지고 있는 이 시대에 대학의 인공지능 활용 교육 및 블렌디드 러닝 방식을 적용한 ITS 기반 적응형 학습의 효과를 검증함으로써, 국내 고등교육 정책 수립에 중요한 자료로 기여할 수 있다는 데 의의가 있다. 따라서 후속 연구에서는 자기조절 학습에 영향을 미치는 요인과 에듀테크 기반 학습에서의 피드백 전략을 검증할 필요가 있다.
Abstract
This study aims to examine the effects of ITS-based adaptive learning methods and instructor feedback on students' self-directed learning abilities and academic achievement in university blended learning courses, and to identify the types of feedback exchanged between instructors and students. To achieve this, the study measured changes in academic achievement and self-directed learning abilities among 218 students enrolled in the ‘Computational Thinking and Data Fundamentals’ course at H University during the first semester of 2023. Quantitative data were analyzed using SPSS 25.0 for normality verification, descriptive statistics, and paired sample t-tests, while qualitative data were derived through frequency analysis of text mining techniques using SPSS Modeler Premium 17. The results showed that the average final exam score was statistically significantly higher with an increase of 7.66 points compared to the midterm exam score, with no significant change in self-directed learning ability scores. Four types of feedback were identified: ‘feedback on tasks’, ‘feedback on the process’, ‘feedback on self-regulation’, and ‘feedback on individual students’. This study is significant in that it suggests the future direction of domestic higher education in this era of increasing demand for educational use of artificial intelligence and remote courses after COVID-19. Therefore, in follow-up studies, it is necessary to verify factors affecting self-regulated learning and feedback strategies in adaptive learning using educational technology.
Keywords:
ITS-based Adaptive Learning, Academic Achievement, Feedback, Self-Directed Learning Abilities키워드:
ITS 기반 적응형 학습, 학업 성취도, 피드백, 자기 주도적 학습 능력1. 서론
2011년 교육부는 스마트 러닝이라는 교수·학습 환경의 생태적 변화를 시도하였다. 스마트 러닝이란 정보화 사회에서 요구하는 교사, 교육 방법, 과정, 평가 등 교육체제의 변화를 도출하기 위한 지능 맞춤형 교수·학습지원 체제를 말한다[1]. 정부가 추진한 스마트 러닝 사업은 오늘날까지 이어졌으며, 2023년에는 인공지능(AI) 기술 및 데이터 과학 활용을 강조하고, ‘모두를 위한 맞춤 교육 실현한다.’라는 모토를 가진 「디지털 교육혁신 방안」을 발표하였다[2].
개인 맞춤형 학습으로 불리는 개별화 학습(personalized learning)은 핵심적인 교육체제의 변화로 대두되어 교육학자들의 관심을 촉발했다[3]. 하지만 특정한 목적에 맞는 멀티미디어와 복잡한 수준의 기능을 지원하고, 다양한 교수적 접근에 부합하는 소프트웨어를 찾기는 쉽지 않았다[4]. 그러나 4차 산업 혁명 이후 첨단과학 기술이 비약적으로 발전하면서, AI 기술 및 빅데이터 등 다양한 테크놀로지를 활용하여 학습자의 특성과 수준에 맞는 개별화된 수업을 제공하는 적응형 학습이 가능해졌다[5]. 적응형 학습(adaptive learning)이란 AI의 딥러닝(deep learning) 기술인 지능형 튜터링 시스템(Intelligent Tutoring System, 이하 ITS) 등을 활용하여 학습자의 사전 지식수준을 진단하고, 이를 바탕으로 맞춤형 학습 내용을 제공하며, 학습 과정에 따라 내용과 난이도를 조정함으로써 최적의 교수·학습 경로를 제공하는 개별화 학습 방식을 말한다[6-8].
1970년 ITS의 개념이 등장한 이래로, ITS 활용에 대한 교육적 효과를 확인하는 연구는 꾸준히 시행되고 있다[9-12]. VanLehn(2011)은 메타분석을 통해 전통적인 교사 중심 수업과 ITS 기반 적응형 학습 수업을 비교한 결과, ITS 기반 수업에서 전체 효과 크기는 Hedges’ g= .47로 Cohen(1988)의 기준에 따라 작은 교육적 효과가 있음을 설명하였다[13]. Mohamaed & Lamia(2018)와 Afzal et al.(2020)도 연구를 통해 ITS가 개별 학생의 학습 목표 달성 및 인지적, 정서적 요인에 유의미한 영향을 미친다는 것을 밝혀냈다[9, 11]. 또한, 간진숙 외(2023)는 연구를 통해 대학 영어 교양 수업에서 ITS 기반 적응형 학습이 학생들의 학업 성취도 향상에 유의한 영향을 미친다는 것을 확인하였다[14].
한편, Naidu(1995)는 적응형 학습을 적용한 수업의 효과성을 높이는 수업 전략은 학습자 특성의 반영과 수업에 대한 통제력 즉, 자기조절 학습 능력에 있다고 지적하였다[15]. Park(1996)도 적응형 수업의 핵심은 학습자가 스스로 학습을 통제할 수 있는 수업환경을 조성하는 것이라고 주장했다[16].
적응형 학습의 특징은 교수자와 학습자 간의 밀접한 개인 관계에 주안점을 두고, 협력과 실제적인 측정을 강조하는 총체적 학습 환경 제공을 목표로 한다[17]. 그러므로 박성익 외(2021)는 개별화된 맞춤형 학습에서 교수자는 지식 전달이 아니라, 학습자가 자기 주도적으로 학습할 수 있도록 피드백을 주는 멘토 역할을 수행해야 한다고 언급하였다[18]. 특히, 서봉언(2021)은 ICT, AI 등 테크놀로지를 활용한 원격수업의 경우 학습자의 몰입과 집중을 유지하고, 학습의 효과성을 도출하기 위한 전략으로 피드백이 매우 중요하다고 주장하였다[19].
피드백(feedback)은 학습자의 학습 수행과 활동에 대해 도움을 주거나 정보를 제공하여 학습을 정교화하는 방식이다[20]. Shute(2008)는 피드백에 대해 수업을 안내하는 역할로 정의하였고[21], Gagné(1985)는 수업의 사태(9 of events)에서 교수자의 피드백이 학습자의 학습에 대한 내적 강화를 유발한다고 주장하였다[22]. 이러한 피드백에 대해 Page(1958)는 교사로부터 개별화된 피드백을 받은 학생 집단의 성취도가 가장 높게 나타난다고 주장하였으며[23], Butler & Nisan(1986)은 연구를 통해 교수자의 피드백이 학생들의 학업 성취도와 학습 동기에 유의한 영향을 미친다는 것을 검증했다[24]. 이외에도 여러 선행연구를 통해 피드백의 교육적 효과를 확인할 수 있다[25, 26]. 조성문, 김정남(2009)은 연구를 통해 블렌디드 러닝에서 피드백이 학습자의 학습 동기와 학업 성취도에 유의미한 효과가 나타남을 확인하였고[27], Bangert et. al. (1991), 신동로 외(2007), 그리고 김혜경, 최원영(2017)도 연구를 통해 교수자의 피드백이 학습자의 학습 동기, 자기효능감, 학업 성취도에 유의미한 영향을 미친다는 것을 확인하였다[28-30].
선행연구 고찰을 통해 팀 기반 학습(team based learning)[31], 프로젝트 기반 학습(project based learning)[32], 온라인과 오프라인이 혼합된 형태의 블렌디드 러닝(blended learning)[33] 교수·학습법이 적용된 수업에서 교수자 피드백의 효과성을 검증하는 연구가 발견되었으나, 적응형 학습을 적용한 수업에 대하여 교수자의 피드백이 학습자의 학습 동기, 자기 주도적 학습 능력, 학업 성취도 등에 미치는 영향과 피드백을 효과적으로 전달하는 방법을 다룬 연구는 미미하였다.
COVID-19 이후 대학은 모든 학문의 요구 사항을 충족하기 위해 블렌디드 러닝을 추구하고 있다[34]. 그러므로 본 연구는 향후 대학의 블렌디드 러닝 환경에서 ITS 기반 개별 맞춤형 학습의 새로운 패러다임을 제시하는 데 목적을 두고 있다. 그리하여 본 연구는 기존 선행연구와의 차별성을 두기 위해 인공지능의 일종인 지능형 튜터링 시스템(ITS)을 활용하여 자동화된 적응형 학습과 교수자의 개인화된 피드백을 결합함으로써 더 나은 학습 효과를 얻을 수 있음을 보여주고자 한다. 이를 위해 본 연구에서는 블렌디드 러닝에 적응형 학습 방식을 적용한 H 대학교의 『컴퓨팅사고-데이터기초』 교양 교과목 수강생을 대상으로, ITS 기반 적응형 학습 방법과 교수자의 피드백이 학습자의 학업 성취도와 자기 주도적 학습 능력에 미치는 효과를 살펴보고자 한다. 그리고 ITS 기반 적응형 학습에서 교수-학생 상호 간에 발생하는 피드백 유형을 분석함으로써 효과적인 피드백 전략을 도출하고자 한다. 이를 위해 다음과 같은 연구 문제를 설정하였다.
첫째, 대학 컴퓨팅사고 수업에서 ITS 기반 적응형 학습과 교수자의 피드백이 학생의 학업 성취도 향상에 유의미한 영향을 미치는가?
둘째, 대학 컴퓨팅사고 수업에서 ITS 기반 적응형 학습과 교수자의 피드백이 학생의 자기 주도적 학습 능력 향상에 유의미한 영향을 미치는가?
셋째, ITS 기반 적응형 학습 방법을 적용한 수업에서 교수자와 학생들 간에 발생하는 피드백 유형은 무엇인가?
2. 이론적 배경
2.1 지능형 튜터링 시스템(ITS)
지능형 튜터링 시스템(ITS)은 CAI(Computer Assisted Instruction) 또는 CBI(Computer Based Instruction) 수업 체제의 하나로, 계열화된 학습 내용을 컴퓨터에 저장해두었다가 학습자의 수준에 따라 학습 계열을 선정하고 제시해 주는 것을 의미한다[35]. ITS는 기존의 전통적 CAI보다 심화된 처방의 기능을 가지고 있으며, 인간 교사와 유사한 특성이 있다. 따라서 박성익(1990)은 ITS를 개별화 수업 체제를 전개할 수 있는 컴퓨터 교수 보조 매체라고 정의하였다[36]. ITS의 기능에 대해 Sleeman & Brown(1982)은 모니터링을 통해 문제를 해결하고, 필요한 도움을 주는 코치 또는 강사, 컨설턴트의 역할을 한다고 정리하였고[37], 덧붙여 Duchastel(1988)은 학습자의 지식과 능력 수준을 진단하고, 적합한 학습 활동을 제공한다고 설명했다[38]. Ulusar(2002)는 ITS를 세 가지 측면에서 설명하였는데, 첫째, ITS는 개별 학습자에게 적합한 교수법을 적응적으로 제공하는 훈련 소프트웨어다. 둘째, ITS는 인간 교사처럼 학습자의 학습 활동을 관찰하고 평가하며, 그 결과를 바탕으로 학습자의 지식수준을 유추하고 학습에 효과적인 처치를 결정하는 기능을 가지고 있다. 셋째, ITS를 경제적이고 효과적으로 이용하기 위해서는 인공지능(AI) 기술이 수반 되어야 한다[39].
일반적으로 ITS는 1) 전문가 모듈, 2) 교수 모듈, 3) 학습자 모듈, 4) 인터페이스 모듈의 네 가지 구성 요소를 갖는다[39-44]. 1) 전문가 모듈은 교수자가 학습자에게 가르치고자 하는 학습 주제와 내용, 지식이 담긴 도메인(domain) 모듈로서 학습 내용의 개념, 원리, 절차, 상호 관련성 등 세부적인 내용까지 포함하는 시스템을 말한다[39, 42]. 2) 교수 모듈은 학습자의 지식수준과 능력에 따라 언제, 어떤 학습 내용을, 어떤 방법으로 제공할 것인가와 같은 진단과 처방, 교수 전략 등의 정보를 갖고 통제하는 시스템을 말한다. 따라서 교수 모듈은 각각의 학습자에게 맞춤형 학습을 제공하고 학습 목표를 달성하는 데 필요한 기능을 탑재한 복잡하고 융통성을 가진 중요한 모듈이다[40]. 3) 학습자 모듈은 각각의 학습자가 갖는 정보와 개인차, 학습 경로, 학습 오류나 결함 등의 정보를 포함하는 시스템이다. Regian(2014)은 학습자 모듈에 대해 학습자의 특성, 성향, 능력 등을 종합적으로 평가하고 재해석하여 학습자에 대한 새로운 지식을 재구성하는 모듈이라고 제시했다. 4) 인터페이스 모듈은 자연어를 사용하여 학습자와 컴퓨터 간에 정보를 주고받는 양방향 커뮤니케이션 시스템을 말한다[44]. 인터페이스 모듈은 양방향 커뮤니케이션뿐만 아니라 텍스트, 이미지, 애니메이션 등을 통해 학습 내용을 제공하는 인터페이스도 포함된다[39]. 이와 같은 ITS의 구성 요소를 바탕으로 한정선, 오정숙(2003)은 Ulusar(2002)가 도식화한 ITS의 작동 방식을 재구성하여 제시하였다[39]. 이를 살펴보면, ITS는 교육과정에 따른 초기 문제를 생성하여 학습자에게 제시하고, 학습자는 문제에 응답하여 반응한다. 이후 학습자의 반응 결과를 ITS가 가진 해결책과 비교하고 분석하여 학습자에게 피드백을 제시한다. 또한, 학습자에게 새로운 학습 내용을 제공할지 이전 내용을 보충할지를 판단하고 결정하여 제시한다. 그리고 학습자의 반응 결과에 기초하여 지속적인 진단과 평가가 이루어져 학습자 모듈이 갱신되며, 수정한 학습 모듈에 따라 제시되는 학습 내용과 그에 따른 문제가 조정하게 된다[35]. 이상의 견해들을 종합 정리하면, ITS는 전문가 모듈, 교수 모듈, 학습자 모듈, 인터페이스 모듈이 독자적으로 본연의 기능을 수행함과 동시에 상호유기적으로 작용하면서 학습자 각자에게 필요한 개별화 학습을 실현할 수 있게 하는 것이다.
2.2 피드백 모형
Moss & Brookhart(2012)는 효율적인 학습을 위해서는 학습자가 자신이 배워야 하는 학습 내용이 무엇인지 알고, 자신의 현재 학습 수준과 학습 목표를 위해 학습 기준을 활용하며, 학습 능력을 향상하기 위한 활동들을 할 때 가장 효과적이라고 말했다. 피드백 또한 이러한 과정의 일부이며, 이를 ‘형성적 피드백’이라고 지칭하였다[45]. 형성적 피드백(formative feedback)이란 동일한 학습 주기 속 학습 목표를 달성하는 과정에서 학습자의 현재 상태에 대한 정보를 제공하고, 개선을 위해 심화학습과 성장을 지원하는 과정을 의미한다[46, 47]. Hattie & Timperley(2007)는 연구를 통해 형성적 피드백의 중요성이 도출하였으며, 형성적 피드백을 제공하기 위한 모형을 제안하였다[48]. Hattie & Timperley(2007)가 제시한 피드백 모형은 형성적 학습 시기에 효과적인 학습을 위한 세 가지 질문인 ‘내가 도달해야 하는 학습 목표는 무엇인가?’, ‘현재 나의 학습 수준은 어디인가?’, ‘나의 현재 학습 수준과 학습 목표 간 차이를 줄이는 방법은 무엇인가?’에 기반을 두고 있다[49]. 피드백 모형은 피드백을 ‘과제에 대한 피드백’, ‘과정에 대한 피드백’, ‘자기조절에 대한 피드백’, ‘학생 개인에 대한 피드백’의 네 가지 범주로 구별하였다.
첫째, 과제에 대한 피드백은 답변이 옳고 그름과 자세한 정보를 제공하는 피드백을 의미한다. 또한 과제 내용의 깊이나 질, 수행의 강도에 대한 정보도 제공하고, 명시적이거나 암묵적인 기준에 대한 내용도 포함한다. 그리하여 과제에 대한 추가적인 정보도 요구할 수 있고, 형식적인 것에 대한 정보를 제공할 수 있다. Hattie & Timperley(2007)에 따르면, 과제에 대한 피드백은 학생들에게 정보 부족에 관한 경고보다는 오개념을 시정할 때 더 효과적으로 나타났다. 그러나 이는 특정 과제에만 고유하게 적용되기 때문에 다른 과제로 전이될 수 없다. 그러므로 교수자는 학습 내용을 이해하지 못하는 학생에게는 피드백보다는 추가 지도가 더 효과적이다. 즉, 과제에 대한 피드백은 과제에 대한 수행 능력을 향상하는 데 도울 순 있지만, 특정 과제에만 한정되므로 학습 개선에는 기여하지 않는다.
둘째, 과정에 대한 피드백은 학습 전략, 대인 전략, 평가 전략 등을 제공하는 피드백을 말한다. 일부 우수한 학생들은 과제에 대한 피드백을 과정에 대한 피드백으로 전환하여 받아들일 수 있다. 다시 말해, 과제에 대한 피드백이 주어지면, 인지 능력으로 과제의 특성, 수행 과정과 결과를 연결하고 생성할 수 있는 것이다[50]. 그러므로 학습 전이를 위해서 교수자는 과정에 대한 피드백을 통해 학습자의 요구 사항을 해결하고, 학습하는 방법을 습득하게 할 수 있다[49].
셋째, 자기조절에 대한 피드백은 학생의 자신감, 성찰 등을 제공하는 피드백을 뜻한다. 자기조절(self-regulation)이란, 학습자가 자신의 학습을 모니터링하고, 통제하기 위한 인지적 능력을 말한다. 따라서 자기조절 학습 능력이 뛰어난 학습자는 교수자가 제공하는 정보나 제안, 평가를 받아들이고, 학습 전략이나 피드백을 얻기 위한 적절한 시기를 파악하는 등의 내적 순환과정을 생성한다. 그러나 자기조절 학습 능력이 부족한 학습자는 교수자가 어떤 피드백을 주는가와 외부적인 요인들에 더 의존한다. 그러므로 교수자는 자기조절 학습 능력이 낮은 학습자에게 정보가 유용하고 노력할 가치가 생길 수 있도록 피드백을 제공해야 한다. 정리하면, 자기조절에 대한 피드백은 학습자의 자기 주도적 학습 능력과 자기효능감을 향상시킬 수 있는 특징이 있다[49].
넷째, 학생 개인에 대한 피드백은 학생이 ‘우수한지’, ‘성실한지’ 등을 발언하는 피드백을 나타낸다[48]. 그러나 학생 개인에 대한 피드백은 추가 학습에 사용할 수 있는 정보가 포함되어 있지 않기 때문에 형성적이지 않다. 또한, 학습 능력과 지능은 고정되어 있다고 믿는 학습자들에게는 효과가 없다. 왜냐하면 학업 성취가 학습자 자신이 통제할 수 있는 범위를 넘어선다고 믿는 학습자들은 학업 성취와 노력 사이를 연결하지 못하기 때문이다[51]. 그러므로 학생 개인에 대한 피드백은 학생 개인에 대한 코멘트, 과한 칭찬 등을 피하고, 학습자의 노력과 성취를 연결 지어 피드백을 주는 것이 필요하다[49].
이상의 내용으로 학습자에게 효과적인 학습을 제공하기 위한 네 가지 형성적 피드백을 종합하자면, 먼저, 과제에 대한 피드백은 학습 목표와 관련하여 수행의 구체적인 수준을 설명하기 위한 피드백이다. 다음으로, 과정에 대한 피드백은 학습자들의 학습 과정과 전략을 관찰하여 개선 방법을 제공하기 위한 피드백이다. 마지막으로, 자기조절에 대한 피드백과 학생 개인에 대한 피드백은 학습자에게 학습 과정의 가치를 알려주고, 학습자들의 과제 수행과 의도적인 노력을 연결하여 자기효능감을 높이기 위한 피드백이다[49].
3. 연구 방법 및 절차
3.1 연구 대상
본 연구는 강원특별자치도에 소재한 4년제 대학인 H 대학교에서 개설 및 운영 중인 『컴퓨팅사고-데이터기초』 교과목을 대상으로 한다. 해당 교과목은 2021학년도 2학기 『컴퓨팅사고와문제해결-창의』를 시작으로, 2022학년도 1학기부터 교과목명을 『컴퓨팅사고-데이터기초』로 변경한 후 2023학년도 1학기까지 총 46개 강좌가 개설 및 운영하여 총 1,663명이 수강하였다.
H 대학교의 『컴퓨팅사고-데이터기초』 교과목은 신입생을 대상으로 하는 기초 교양 과목으로서, 학생들에게 엑셀을 통해 가장 작은 단위의 데이터를 입력하는 것에서부터 가장 큰 단위의 데이터를 입력하고, 원하는 형식으로 가공하는 방법을 가르친다. 해당 교과목의 수업 운영 방식은 온라인과 오프라인이 혼합된 블렌디드 러닝 형태로 수업이 진행된다. 또한, 개별 맞춤형 수업을 제공하기 위해 적응형 학습 교육 방식을 도입하였다.
본 연구는 2023년 3월 1일부터 6월 20일까지 15주 동안 진행된 2023학년도 1학기『컴퓨팅사고-데이터기초』 교과목의 총 22개 분반(총 835명) 중 6개 분반(1, 2, 3, 5, 12, 14) 수강생 243명 중에서 사전지식 수준 검사, 중간고사, 기말고사를 단 한 번이라도 응시하지 않은 인문학부 결시자 25명을 제외한 218명을 대상자로 하였다. 이들의 전공 분포는 Table 1과 같다.
Student major distribution
해당 수업의 평가 방식은 절대평가이며, 평가 항목은 Table 2와 같다. 따라서 해당 수업의 성적은 출석 30%, 과제(퀴즈) 30%, 중간고사 20%, 기말고사 20%의 비율로 산출되었다.
Evaluation metrics
3.2 수업 운영
본 연구의 『컴퓨팅사고-데이터기초』 교과목은 적응형 학습 방식을 적용한 블렌디드 러닝 수업으로 설계되었다. 따라서 학생들은 1주 1차시에 H 대학교의 LMS에 각자 로그인하여 자신의 사전 지식수준을 인지할 수 있도록 4개의 항목으로 이루어진 사전설문을 수행하였다(Table 3). 그리고 학생들은 자기 주도적 학습 능력에 관한 사전검사와 1~15주 전체 차시의 학습 내용 중에 출제된 10개의 문제를 풀어 사전지식 수준 검사를 수행하였다.
Pre-class survey questions
이후 교수자는 사전 지식수준 검사 결과가 평균점수 미만인 학생들에게 ‘주차별 학습 계획서’를 제출하도록 지도하였다. 학습 계획서에는 매주 학생이 학습할 요일과 시간, 학습 내용을 구체적으로 명시하게 되어 있다. 교수자는 학생들이 매주 정해진 기간 내 학습 계획서를 제출하는지 매회 확인하면서, 해당 학생들의 학습이 제대로 이루어지지 않을 때마다 LMS의 메시지 기능을 활용하여 메시지를 전송하였다. 그뿐만 아니라 학생들이 학습 계획서를 착실히 작성하고, 제출할 때도 격려의 내용을 담은 메시지를 전송하였다.
해당 수업은 LMS 상에서 개별 수준에 따른 맞춤형 학습 즉, 적응형 학습을 구현하고자 하였다. 따라서 교수자는 먼저, LMS에 탑재된 모든 주차별 학습 내용의 학습 기간을 개강일부터 종강일까지 활성화하였다. 그다음, 학생들이 자신의 수준에 따라 진도를 달리할 수 있도록 중간고사와 기말고사를 제외한 기간에 매주 8~10개가량의 퀴즈를 풀도록 안내하였다. 이를 위해 교과목 담당 교수자는 H 대학교의 LMS 내 탑재된 조건문 기능을 활용하여 Figure 1과 같이 ITS 알고리즘을 구현하여 퀴즈를 제공하였다.
ITS Algorithms in LMS
Figure 1의 ITS 알고리즘은 학생이 주차마다 활성화된 첫 번째 퀴즈의 정답을 맞히면 다음 퀴즈가 활성화되고, 정답을 맞히지 못하면 오답 풀이와 함께 업로드된 해설 영상을 반드시 시청해야 다음 퀴즈로 넘어갈 수 있다. 이러한 원리를 통해, 이해 수준이 높은 학생들은 자기 주도적으로 학습하며 남들보다 빠르게 학습 진도를 나갈 수 있고, 그렇지 않은 학생들은 충분히 이해될 때까지 학습 시간을 충분히 확보하면서 자기 수준에 맞게 진도를 나갈 수 있다.
이후 학생들은 14주차에 자기 주도적 학습 능력에 관한 사후검사를 시행하였고, 15주차에 기말고사를 치르면서 수업을 종료하였다(Figure 2).
The process of ITS-based adaptive learning in a blended learning courses
교수자는 H 대학교의 LMS 내 탑재된 세 가지 기능을 활용하여 학생들과의 상호작용 및 피드백을 제공하였다. 활발한 상호작용 및 피드백의 효과를 높이기 위하여 교수자는 학생들의 기호성과 접근성을 고려하여 용도에 따라 각각의 기능을 달리 사용하였다.
첫째, 이메일은 공식적인 내용을 전달하는 용도로 사용하였다. 교수자가 학생들에게 일방적으로 전달하는 용도로써 학생들이 공동으로 알아야 할 중요 공지사항이나 내용을 학생들의 개인 이메일로 전달하였다. Table 4는 한 학기 동안 교수자가 각 분반의 학생들에게 보낸 이메일 전송 건수이다.
The number of e-mails sent per class
둘째, 쪽지는 개별 학생에게 1:1로 피드백을 제공하는 용도로 사용하였다. 학생들은 LMS 전용 애플리케이션을 통해 H 대학교의 LMS에 쉽게 접근할 수 있으며, 학기 중 활용도가 매우 높다. 따라서 교수자는 학생들의 학습 상태를 관찰하면서 선제적으로 보내는 경우인 1) 제시한 평가, 설문, 퀴즈, 과제 등에 참여하지 않을 때, 2) 학습 과정이 우수하거나 열정적일 때 태도 등에 대해 칭찬할 때 쪽지 기능을 활용하였다. 이러한 쪽지는 LMS 전용 애플리케이션을 통해 1:1로 메시지를 주고받기 때문에 사적이지 않으므로 학생들이 가장 선호하는 피드백 제공 방식이다. 그리하여 학생들은 학습 과정에 대한 질의가 있거나 도움이 필요한 경우 거리낌 없이 쪽지를 보냈다. 따라서 교수자는 학생들로부터 먼저 받은 질문에 답변해 줄 때에도 쪽지 기능을 활용하였다. Table 5는 한 학기 동안 교수자가 학생들과 주고받은 기간별 쪽지 전송 건수이다.
The number of direct messages sent over time
셋째, SMS(문자 메시지)는 학생들이 반드시 알아야 할 내용이나 이메일과 쪽지에 대한 응답이 없을 때 피드백을 전달하는 용도로 사용하였다. SMS의 경우 학생들의 개별 휴대전화로 메시지가 전달되기 때문에 이메일, 쪽지보다 즉각적인 반응을 나타낼 수 있다. 따라서 학사일정 변동, 과제 제출 기한, 중간·기말고사 일시·장소 등의 중요 내용을 전달할 때는 단체 SMS를 사용하였고, 학생들이 이메일 미확인, 쪽지 미확인 등 응답이 없는 경우 개별 SMS를 전송하여 내용을 전달하였다. Table 6은 교수자가 한 학기 동안 각 분반의 학생들에게 보낸 SMS 전송 건수이다.
The number of SMS sent per class
특히, 교수자는 쪽지나 SMS의 경우 학생들을 개별 호명하고 부드러운 말투를 사용함으로써 교수자와 학생 사이에 친근감을 형성하고자 하였다. 이러한 피드백 제공 전략은 학생들에게 ‘자신이 곧 학습의 주체로서 존중받고 있다.’라는 생각을 들게 하며, 그 결과 학생들은 학습에 대한 동기, 통제감, 자기효능감에 긍정적인 영향을 받게 된다[52].
3.3 측정 도구
본 연구는 8주차와 15주차에 각각 시행되는 중간고사, 기말고사 성적으로 학업 성취도를 측정하였다. 중간고사, 기말고사는 각각 1~7주차, 9~14주차에 출제된 퀴즈(객관식 또는 주관식) 문항 중에서 30개 문항을 출제하였다.
본 연구는 대학의 컴퓨팅사고 수업에서 ITS 기반 적응형 학습 방법과 교수자의 피드백이 학생의 자기 주도성 향상에 유의미한 영향을 미치는지 알아보기 위해, 이석재(2003)의 자기 주도적 학습 능력에 관한 생애 능력 측정 도구를 사용하였다[53]. 이 도구는 대학생을 비롯한 성인을 대상으로 개발되었다. 해당 도구의 자기 주도적 학습 능력은 학습계획, 학습실행, 학습평가의 3가지 능력 요소와 학습 욕구진단, 목표 설정, 학습자원 파악, 자기관리 능력, 학습전략 선택, 학습실행 지속성, 결과의 노력 귀인, 자기성찰의 8가지 하위 요소, 그리고 하위 요소별로 총 24개의 행동 지표가 매칭되어 총 45개의 문항으로 구성되어 있다. 그리고 각 문항은 Likert식의 5점 척도를 기준으로 한다.
본 연구에 참여한 학생들의 자기 주도적 학습 능력 사전검사 및 사후검사 결과의 Cronbach의 α 계수는 각각 .911과 .904로 높은 수준의 신뢰도가 나타났다.
3.4 분석 방법
본 연구는 『컴퓨팅사고-데이터기초』 교과목의 6개 분반 수강생 218명을 단일집단으로 하여 Figure 3과 같이 연구를 설계하였다. 연구 문제1, 2를 해결하기 위해 일정 기간을 두고 연구 대상자의 학업 성취도와 자기 주도적 학습 능력을 측정하였다. 수집된 학업 성취도와 자기 주도적 학습 능력 측정값은 SPSS 25.0을 활용하여 기술통계와 대응표본 t-검증을 시행하였고, 유의수준은 p< .05로 측정하였다. 또한, 연구 문제 3인 교수-학생 상호 간에 발생하는 피드백 유형을 알아보기 위해 SPSS Modeler Premium 17을 사용하여 Table 4, Table 5, Table 6과 같이 총 3,576건의 메시지를 텍스트 마이닝 기법으로 분석했으며, 주요 분석 방법으로는 빈도 분석을 사용하였다. 핵심 용어들을 식별하기 위해 주요 키워드의 출현 빈도를 파악하였으며, 텍스트 추출 방법은 국소 표현(local representation) 방법인 원-핫 인코딩(One-hot encoding)을 활용하였다. 원-핫 인코딩은 텍스트를 숫자로 표현하는 가장 기본적인 표현 방식으로, 키워드 집합의 크기를 벡터 차원으로 하여 표현하고 싶은 키워드의 인덱스를 1, 나머지를 0으로 부여하여 표현한다[54]. 따라서 본 연구에서는 이렇게 추출한 결괏값을 Hattie & Timperley(2007)가 제시한 피드백 모형에 따라 Table 12, Table 13과 같이 수치화하였다[48].
A research procedure
4. 연구 결과
4.1 학업 성취도에 미치는 영향
ITS 기반 적응형 방법과 교수자의 피드백이 학생의 학업 성취도 향상에 유의미한 영향을 미치는 확인하기 위해 연구 대상 218명을 대상으로 중간고사 점수와 기말고사 점수의 차이를 비교 분석하였다. 중간·기말고사 점수의 정규성을 확인하기 위하여 왜도와 첨도를 구한 결과, Table 7과 같이 |왜도|<2 , |첨도|<4이므로 정규분포 기준에 따라 정규성이 확인되었다[54]. 또한, Table 7과 Table 8에서 알 수 있듯이 기말고사 점수 평균(M=87.920, SD=13.729)이 중간고사 점수 평균(M=80.260, SD=19.801)보다 7.66점 높았으며, 이는 통계적으로 유의하게 나타났다(t=-6.401, p< .001).
Academic achievement pre-post test score descriptive statistics
Academic achievement pre-post test scores paired sample t-test
4.2 자기 주도적 학습 능력에 미치는 영향
ITS 기반 적응형 방법과 교수자의 피드백이 학생의 자기 주도적 학습 능력 향상에 유의미한 영향을 미치는 확인하기 위해 사전검사 점수와 사후검사 점수의 차이를 비교 분석하였다. 자기 주도적 학습 능력 사전·사후검사 점수의 정규성을 확인하기 위하여 Table 9와 같이 왜도와 첨도를 구한 결과, 정규분포 기준에 따라 정규성이 확인되었다[55]. 이후 자기 주도적 학습 능력에 대한 학생들의 사전검사와 사후검사의 평균이 유의한 차이를 보이는지 검증하고자 대응표본 t-검정을 시행하였다.
Self-directed learning abilities pre-post test score descriptive statistics
Table 9와 Table 10에서 알 수 있듯이 자기 주도적 학습 능력 사후검사 점수 평균(M=2.51, SD= .435)이 사전검사 점수 평균(M=2.57, SD= .423)보다 .06점 낮았으며, 이는 통계적으로 유의하지 않았다(t=1.394, p= .165). 또한, Table 11에서 알 수 있듯이 자기 주도적 학습 능력 하위 요소별 평균을 비교해 보면, 학습 욕구진단, 목표 설정, 학습자원 파악, 자기관리 능력, 학습전략 선택, 학습실행 지속성, 결과의 노력 귀인, 자기성찰 요소에 대한 평균이 전체적으로 낮아졌으며, 마찬가지로 통계적으로 유의한 차이가 나타나지 않았다.
Self-directed learning abilities pre-post test scores paired sample t-test
Self-directed learning abilities subcomponent pre-post test scores paired sample t-test
4.3 교수-학생 간 피드백 유형
교수자가 학생들에게 제공한 Table 4의 119건, Table 5의 1,103건, Table 6의 1,356건, 총 2,578건의 피드백 내용을 텍스트 마이닝 기법으로 분석하고, Hattie & Timperley(2007)가 제시한 피드백 모형에 따라[48] Table 12과 같이 메시지 내 포함된 주요 단어들의 출현 빈도수를 도출하였다. 교수자가 학생들에게 제공한 피드백 유형을 살펴보면, 과제에 대한 피드백이 47.63%(1,288건)로 가장 많은 비율을 차지하였으며, 13가지 종류의 세부 내용으로 나타났다. 다음으로, 자기조절에 대한 피드백이 25.64%(661건)의 비율과 6가지 종류의 세부 내용, 과정에 대한 피드백이 21.14%(545건)의 비율과 6가지 종류의 세부 내용이 나타났다. 반면에, 학생 개인에 대한 피드백이 5.59%(144건)로 가장 낮은 비율과 2가지 종류의 세부 내용이 나타났다.
The content and frequency of feedback from professors to students
피드백 유형별 세부 내용의 빈도를 살펴보면, 과제에 대한 피드백 중 평가 결과에 관한 내용이 9.70%(250건)로 가장 높은 비중을 차지하였고, 다음으로, 자기조절에 대한 피드백 중 질문 독려에 관한 내용이 8.26%(213건)로 높은 비율을 차지하였다. 반면에, 과제에 대한 피드백 중 과제 재제출 안내에 관한 내용이 0.89%(23건)로 가장 낮은 비중을 차지하였고, 다음으로, 과정에 대한 피드백 중 적응형 수업 방식에 관한 내용이 0.93%(24건)로 낮은 비중을 차지하였다.
마찬가지 방법으로 Table 5와 같이 학생들이 교수자에게 보낸 998건의 피드백 내용을 분석한 결과, Table 13과 같은 빈도수를 도출하였다. 학생들이 교수자에게 질의한 내용 즉, 수업에 대한 학생 피드백 유형을 살펴보면, 과제에 대한 피드백이 67.43%(673건)로 가장 많은 비율을 차지하였으며, 9가지 종류의 세부 내용으로 나타났다. 다음으로, 과정에 대한 피드백이 27.05%(270건)의 비율과 3가지 종류의 세부 내용, 학생 개인에 대한 피드백이 2.81%(28건)의 비율과 1가지 종류의 세부 내용이 나타났다. 반면에, 자기조절에 대한 피드백이 2.71%(27건)로 가장 낮은 비율과 1가지 종류의 세부 내용이 나타났다.
The content and frequency of feedback from students to professors
학생 피드백 유형별 세부 내용의 빈도를 살펴보면, 과제에 대한 피드백 중 과제 내용 확인에 관한 문의가 14.03%(140건)의 가장 높은 비중을 차지하였고, 다음으로, 시험 유형에 관한 내용이 13.43%(134건), 과정에 대한 피드백 중 퀴즈 방법에 관한 내용이 12.93%(129건)로 높은 비율을 차지하였다. 반면에, 과제에 대한 피드백 중 수업 시간에 관한 문의가 0.30%(3건)의 가장 낮은 비중을 차지하였고, 다음으로, 학생 개인에 대한 피드백 중 학습 소감에 관한 내용이 2.71%(27건)로 낮은 비중을 차지하였다.
5. 결론 및 제언
5.1 결론
본 연구는 대학의 블렌디드 러닝 수업에서 ITS 기반의 적응형 학습 방법과 교수자의 피드백이 학생들의 자기 주도적 학습 능력과 학업 성취도 향상에 유의한 영향을 미치는지 검증하고, 교수자와 학생들 간 발생하는 피드백 유형을 도출하고자 수행되었다.
본 연구의 목적을 달성하기 위해, 강원특별자치도에 소재한 4년제 대학인 H 대학교에서 개설 및 운영 중인 2023학년도 1학기 『컴퓨팅사고-데이터기초』 교과목 수강생 218명을 표집하였다. 그리고 3가지의 연구 문제를 설정하였다.
첫째, 대학 컴퓨팅사고 수업에서 ITS 기반 적응형 학습과 교수자의 피드백이 학생의 학업 성취도 향상에 유의미한 영향을 미치는가?
둘째, 대학 컴퓨팅사고 수업에서 ITS 기반 적응형 학습과 교수자의 피드백이 학생의 자기 주도적 학습 능력 향상에 유의미한 영향을 미치는가?
셋째, ITS 기반 적응형 학습 방법을 적용한 수업에서 교수자와 학생들 간에 발생하는 피드백 유형은 무엇인가?
본 연구의 결과를 요약하면 다음과 같다.
첫째, 학생들의 학업 성취도에 대한 효과성을 확인하기 위해, 중간고사 성적과 기말고사 성적을 비교 분석한 결과 통계적으로 유의한 수치가 나타났다(t=-6.401, p< .001). 이는 선행연구와 같이 ITS 기반 적응형 학습 방법과 교수자의 피드백이 학생들의 학업 성취도 향상에 긍정적인 영향을 미친다는 것을 의미한다[9-14, 23-30].
둘째, 학생들의 자기 주도적 학습 능력에 대한 효과성을 확인하기 위해, 사전·사후검사 점수를 비교 분석한 결과 통계적으로 유의하게 나타나지 않았다. 이를 통해 ITS 기반 적응형 학습 방법과 교수자의 피드백은 학생들의 자기 주도적 학습 능력 향상에 긍정적인 영향을 미치지 않는다는 것을 알 수 있다.
셋째, ITS 기반 적응형 학습 방법을 적용한 수업에서 교수자와 학생들 사이에 나타나는 피드백 유형을 살펴보기 위해, 총 3,576건의 메시지 내용을 텍스트 마이닝 기법으로 분석한 결과, ‘과제에 대한 피드백’,‘과정에 대한 피드백’,‘자기조절에 대한 피드백’,‘학생 개인에 대한 피드백’의 4가지 유형이 도출되었다[48]. 먼저, 교수자가 학생들에게 제공한 피드백 유형을 살펴보면, 과제에 대한 피드백이 47.63%(1,288건)로 가장 많은 비율을 차지하였고, 13가지 종류의 세부 내용이 나타났으며, 과제에 대한 피드백 중 평가 결과, 학사일정에 관한 내용과 자기조절에 대한 피드백 중 질문 독려에 관한 내용이 다른 항목에 비해 높은 비중을 차지하였다. 다음으로, 학생이 교수자에게 보낸 피드백 유형을 살펴보면, 역시 과제에 대한 피드백이 67.43%(673건)로 가장 많은 비율을 차지하였고, 9가지 종류의 세부 내용이 나타났다. 그중 과제 내용 확인에 관한 문의가 14.03%(140건)의 가장 높은 비중을 차지하였고, 시험 유형에 관한 내용이 13.43%(134건), 과정에 대한 피드백 중 퀴즈 방법에 관한 내용이 12.93%(129건)의 순으로 나타났다. 이는 선행연구와 같이 적응형 학습 방법을 적용한 수업에서도 교수자의 피드백이 수업을 안내하는 역할[21]로써 학습자의 몰입과 집중을 유지하고, 학습의 효과성을 도출하기 위한 전략으로 작용하였음을 알 수 있다[19]. 특히, ITS 알고리즘을 통해 개별 학습을 구현한 컴퓨팅 사고 수업에서 교수자의 개별화된 피드백은 Nisan(1986)의 연구[24]를 비롯한 여러 선행연구와 마찬가지로 학생들의 학업 성취도에 긍정적인 영향을 미친다는 것을 확인할 수 있다[25-30].
본 연구의 결과를 정리하면, ITS 기반 적응형 학습 방법과 교수자의 피드백이 학생들의 학업 성취도에는 긍정적인 영향을 미쳤지만, 자기 주도적 학습 능력에 미치는 영향은 미미하였음을 알 수 있다. 선행연구 결과를 바탕으로 이러한 결과에 대한 원인을 유추할 수 있다.
먼저, Naidu(1995)와 Park(1996)은 적응형 학습의 효과성을 높이기 위해서는 학습자가 스스로 학습을 통제할 수 있는 수업환경을 조성해야 한다고 지적하였다. 그러나 ITS 기반의 적응형 학습 방법을 적용한 해당 수업 자기 주도적 학습 능력 함양에 있어서 세 가지의 한계점을 생각해 볼 수 있다. 첫째, 15주라는 단기간의 중재로는 자기 주도적 학습 능력의 변화를 끌어내기 어려울 수 있다. 둘째, ITS가 학습 경로를 자동으로 조정함으로써 오히려 학생들의 자기 주도성을 발휘할 기회를 줄였을 가능성이 있다. 셋째, 자기 주도적 학습 능력 향상을 위한 명시적인 교수 전략이 부족했을 수 있다.
다음으로, Knowles(1975)는 자기 주도적 학습의 영향 요인으로 학습 동기가 가장 중요하며, 학습 동기가 증가할수록 자기 주도적 학습이 잘 이루어진다고 주장하였다[56]. 이웅규, 이종기(2009)는 자기조절 효능감이 자기 주도적 학습과 학습 만족도에 영향 요인으로 작용한다고 밝혔으며, 김병무(2010)는 자기 주도적 학습을 높이기 위해선 내재적 학습 동기와 자아 개념, 자기효능감이 높여야 한다고 언급했다[57]. 또한, 정찬길 외(2018)도 연구를 통해 자기 주도적 학습 능력의 매개 변인으로 학습 참여 동기와 학습 몰입이 통계적으로 유의한 정적 상관관계가 있음을 도출했다[58]. 이상의 선행연구 결과를 정리하면, 자기 주도적 학습 능력을 향상시키기 위해서 교수자는 학습자의 자기 조절 능력을 학습 동기와 자기효능감에 영향을 미치는 자기조절에 대한 피드백과 학생 개인에 대한 피드백을 제공할 필요가 있다[48-49]. 그러나 본 연구 결과는 Table 12와 같이 교수자가 학생들에게 제공하는 자기조절에 대한 피드백의 경우 과제에 대한 피드백의 비중이 압도적으로 높으며, 학생 개인에 대한 피드백은 나머지에 비해 매우 낮은 비중과 세부 내용 종류가 나타났다. 이와 마찬가지로 학생이 교수자에게 보낸 피드백의 경우도 과제에 대한 피드백의 비중이 압도적으로 높으며 반면에, 자기조절에 대한 피드백과 학생 개인에 대한 피드백은 나머지에 비해 매우 낮은 비중과 세부 내용 종류가 나타났다. 이를 통해 해당 수업의 교수·학습법과 제공되는 피드백의 방향이 학생들의 학업 성취도를 향상하기 위한 부분에 초점이 맞춰져 있고, 학생들의 자기 주도적 학습 능력을 향상하기 위한 부분이 다소 부족했음을 알 수 있다.
5.2 제언
본 연구의 결과에 기초한 제언은 다음과 같다.
첫째, 피드백 설계에서 자기조절 및 개인화 피드백 비중을 확대해야 한다. 학습자의 자기조절 능력과 개별 목표 달성을 돕는 피드백 전략을 도입함으로써 학습 경험을 풍부하게 할 수 있다. 이를 위해 교수자는 주차별 학습 목표를 설정하도록 유도하고, 목표 성취에 대한 성찰 피드백을 제공하는 체계를 마련해야 한다. 예를 들어, 학생들이 학습 목표와 계획을 스스로 설정하고 주기적으로 그 성과를 점검할 수 있도록 성찰 도구를 LMS에 포함시키고, 교수자는 이를 바탕으로 학습 진행 상황에 대한 긍정적 강화와 개선 방향을 제안해야 한다. 또한, 자기조절 유도를 위한 메시지를 활용하여 학습 동기 부여와 참여를 유도할 필요가 있다. 예컨대, 학습 진행이 정체된 학생들에게 “이번 주 학습 진도가 목표에 도달하지 못했습니다. 어떤 부분에서 어려움을 겪는지 알려주세요.”와 같은 메시지를 보내는 방식이다.
둘째, 피드백 전달 방식을 다각화하여 학생 개개인의 학습 스타일에 적합한 피드백을 제공해야 한다. 과제 피드백은 LMS의 과제 제출 페이지를 통해 상세히 제공하고, 학습 과정 피드백은 실시간 채팅이나 영상 피드백과 같은 동적인 도구를 활용할 수 있다. 예를 들어, 교수자가 학생의 학습 상황을 언급하며 격려하는 짧은 영상 메시지를 전송하거나, 실시간 채팅을 통해 학습 방법 관련 질의응답을 진행할 수 있다. 자기조절 피드백은 학습 과정에서의 노력과 전략을 강조하며 학습자의 자기효능감을 높이는 데 초점을 맞추어야 한다.
셋째, 학습자의 자기 주도적 학습 능력을 강화하기 위한 교수 전략을 설계해야 한다. 학습자가 자신의 학습 동기와 학습 전략을 명확히 이해할 수 있도록 자기 평가 도구를 제공하고, 학습 전후에 자신의 성과와 동기를 점검하도록 유도해야 한다. 더 나아가, 프로젝트 기반 학습(project based learning)을 도입하여 학습자들이 스스로 학습 내용을 적용하고 협력할 기회를 제공해야 한다. 예를 들어, 데이터 분석 프로젝트를 수행하며 학습자들이 자기 주도적으로 학습 계획을 세우고 실행하도록 지원하고, 교수자는 이를 지속적으로 피드백함으로써 학습자의 자기조절 능력을 배양할 수 있다.
넷째, 연구의 국제적 관점을 반영하여 글로벌 교육 환경에서 ITS 기반 학습의 의의를 확장해야 한다. 국제적으로 성공적인 ITS 활용 사례를 탐구하고 이를 국내 고등교육에 적용 가능한 방식으로 분석함으로써, 학습 환경의 글로벌 표준을 도입할 수 있다. 예컨대, 다문화적 배경의 학생들에게 ITS 기반 학습과 피드백이 어떻게 적용될 수 있는지 논의하고, 이를 통해 다양성을 반영한 교육 전략을 개발할 필요가 있다.
다섯째, 교수자의 교수(instruction) 역량 강화를 위한 체계적인 지원이 필요하다. ITS 기반 적응형 학습과 피드백 설계의 효과를 극대화하기 위해 교수자를 대상으로 한 전문 워크숍을 운영하고, 성공적인 학습 사례와 노하우를 공유하는 네트워크를 구축해야 한다. 이를 통해 교수자들이 최신 기술과 이론을 효과적으로 수업에 적용할 수 있도록 지원해야 한다.
마지막으로, 지속 가능한 피드백 전략 검증이 이루어져야 한다. ITS 기반 적응형 학습의 단기적 효과뿐 아니라 장기적인 학습 성과와 자기 주도성 변화에 대한 추적 연구를 통해 효과를 검증해야 한다. 동시에 AI 기반 피드백 분석 도구를 LMS에 탑재하여 학습자 피드백 요청 패턴과 학습 성과의 상관관계를 분석하고, 교수자에게 개선 방향을 제안하는 플랫폼을 구축할 수 있다.
본 연구는 COVID-19 이후 원격수업에 대한 수요가 높아지고 있는 이 시대에 대학의 인공지능 활용 교육 및 블렌디드 러닝 방식을 적용한 ITS 기반 적응형 학습의 효과를 검증함으로써 국내 고등교육 정책 수립에 중요한 자료로 기여할 수 있다는 데 의의가 있다. 따라서 후속 연구에서는 자기 주도적 학습 능력에 영향을 미치는 요인들을 분석하고, 이를 바탕으로 에듀테크를 활용한 적응형 학습에서 교수자에게 필요한 피드백 전략을 도출 및 그에 대한 교육적 효과성을 검증하는 실증 연구가 진행되기를 바란다.
References
- Ministry of Education. (2011). Smart education promotion strategy implementation plan. Ministry of Education. https://www.moe.go.kr/
- Ministry of Education. (2023). Digital-based education innovation plan. Ministry of Education. https://www.moe.go.kr/
- Henry, J., & Maxwell, T. (2024). Harnessing AI for Personalized Learning: Innovations in EdTech and Pedagogy. EasyChair Preprint 13865.
- Esbensen, T. (1968). Working with Individualized Instruction: The Duluth Experience. Fearon Publishers.
-
Alkhatlan, A., & Kalita, J. (2018). Intelligent tutoring systems: A comprehensive historical survey with recent developments. arXiv preprint arXiv:1812.09628.
[https://doi.org/10.48550/arXiv.1812.09628]
- Alhabbash, M. I., Mahdi, A. O., & Naser, S. S. A. (2016). An Intelligent Tutoring System for Teaching Grammar English Tenses. European Academic Research 4(9), 1-15.
-
Kannan, J., & Munday, P. (2018). New Trends in Second Language Learning and Teaching through the lens of ICT, Networked Learning, and Artificial Intelligence. CÍRCULO de Linguística Aplicada a la Comunicación, 76, 13.
[https://doi.org/10.5209/CLAC.62495]
- Kose, U., Arslan, A., & Campus, A. K. (2015). E-learning experience with artificial intelligence supported software: An international application on English language courses. GLOKALde, 1(3), 61-75.
-
Afzal, S., Dhamecha, T. I., Gagnon, P., Nayak, A., Shah, A., Carlstedt-Duke, J., ... & Chetlur, M. (2020). AI medical school tutor: Modelling and implementation. Proceedings of the 18th International Conference on Artificial Intelligence in Medicine, AIME 2020, Minneapolis, MN, USA, 18, 133-145.
[https://doi.org/10.1007/978-3-030-59137-3_13]
-
Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: a meta-analytic review. Review of educational research, 86(1), 42-78.
[https://doi.org/10.3102/0034654315581420]
-
Mohamed, H., & Lamia, M. (2018). Implementing flipped classroom that used an intelligent tutoring system into learning process. Computers & Education, 124, 62-76.
[https://doi.org/10.1016/j.compedu.2018.05.011]
-
Xu, Z., Wijekumar, K., Ramirez, G., Hu, X., & Irey, R. (2019). The effectiveness of intelligent tutoring systems on K‐12 students’ reading comprehension: A meta‐analysis. British Journal of Educational Technology, 50(6), 3119-3137.
[https://doi.org/10.1111/bjet.12758]
-
VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational psychologist, 46(4), 197-221.
[https://doi.org/10.1080/00461520.2011.611369]
-
Kan J. S., Park, M. K., Lee, J. Y., & Lee, Y. E. (2024). The Impact of AI-Adaptive Learning on TOEIC Academic Achievement and Self-Directed Learning Competency in College English Classes. Journal of Learner-Centered Curriculum and Instruction, 23(19), 267-283.
[https://doi.org/10.22251/jlcci.2023.23.19.267]
-
Naidu, S. (1995). Definitions of instructional control in learning environments. Australasian Journal of Educational Technology, 11(1).
[https://doi.org/10.14742/ajet.2065]
- Park, O. C., & Lee, J. (2013). Adaptive instructional systems. In Handbook of research on educational communications and technology (pp. 647-680). Routledge.
-
Goodyear, P., & Ellis, R. A. (2008). University students’ approaches to learning: Rethinking the place of technology. Distance Education, 29(2), 141-152.
[https://doi.org/10.1080/01587910802154947]
- Park, S. I., Lim, C. I., Lee, J. K., Choi, J. I., & Cho, Y. H. (2021). Educational Technology and The Class. Educational Science.
-
Seo, B. E. (2021). Teachers’ feedback in distance learning: Focusing on High School Students’ Experiences. Korean Journal of Educational Research, 59(6), 63-86.
[https://doi.org/10.30916/KERA.59.6.63]
-
Merill, C., & Feldman, D. (2004). Rethinking the path to usability: how to design what users really want. IT professional, 6(3), 51-57.
[https://doi.org/10.1109/MITP.2004.20]
-
Shute, V. J. (2008). Focus on formative feedback. Review of educational research, 78(1), 153-189.
[https://doi.org/10.3102/0034654307313795]
- Gagné, R. M. (1985). The conditions of learning and theory of instruction. Wadsworth Pub Co.
-
Page, E. B. (1958). Teacher comments and student performance: A seventy-four classroom experiment in school motivation. Journal of Educational Psychology, 49(4), 173–181.
[https://doi.org/10.1037/h0041940]
-
Butler, R., & Nisan, M. (1986). Effects of no feedback, task-related comments, and grades on intrinsic motivation and performance. Journal of educational psychology, 78(3), 210–216.
[https://doi.org/10.1037/0022-0663.78.3.210]
- Seo, J. J. (2007). The Effects of Learning Mathematics According to Feedback Method. Journal of the Korean School Mathematics Society, 10(1), 71-89.
-
Chan, L. K ., Cole, P. G., & Barfett , S. (1987). Comprehension monitoring: Detection and identification of text inconsistencies by LD and normal students. Learning Disability Quarterly, 10(2), 114-124.
[https://doi.org/10.2307/1510218]
- Jo, S. M., & Kim, J. N. (2009). The Effects of Feedback Types and Learner’s Cognitive Style on Learning motivation and Achievement in Blended Learning. Korean Education Inquiry, 27(2), 91-112.
-
Bangert-Drowns, R. L., Kulik, C. L. C., Kulik, J. A., & Morgan, M. (1991). The instructional effect of feedback in test-like events. Review of educational research, 61(2), 213-238.
[https://doi.org/10.3102/00346543061002213]
- Shin, D. R., & Seo, G. J. (2001). Effects of Teachers Corrective Feedback on Sense of Self - Efficacy and Academic Achievement. The Journal od Curriculum Studies, 19(1), 319-342.
-
Kim, H. K., & Choi, W. Y. (2017). The effects on academic achievements of both recording reflective journals and receiving feedback in technical writing. Journal of Engineering Education Research. 20(3), 42-49.
[https://doi.org/10.18108/jeer.2017.20.3.42]
- Lee, Y. M., Nam, J. K., Cho, H. J., & Lee, S. Y. (2011). The Effects of Team-based Learning on Learners` Performance, Learning Activities, and Motivation in a Vocational High School. The Journal of Vocational Education Research, 30(2), 51-71.
-
Heo, H. O., & Yang, Y. S. (2015). Effects of Students’ Academic Self-Regulation, Collective Efficacy and Scaffolding on Learning Engagement and Achievement in Project-Based Learning Journal of Educational Studies, 47(3), 99-123.
[https://doi.org/10.15854/jes.2016.09.47.3.99]
- Cha, D. W., Moon, Y. E., Yoon, J. H., & Kim, Y. R. (2005). A Pilot Study of the Learning Involvement and Achievement in Blended Learning. Korea Business Review, 38(1), 3-18.
-
Imran, R., Fatima, A., Salem, I. E., & Allil, K. (2023). Teaching and learning delivery modes in higher education: Looking back to move forward post-COVID-19 era. The International Journal of Management Education, 21(2), 100805.
[https://doi.org/10.1016/j.ijme.2023.100805]
- Han, J. S., & Oh, J. S. (2003). A Theoretical Review on Implementing Intelligent Tutoring System (ITS) in the Virtual Reality Learning Environments. Journal of Educational Studies, 33(2), 161-192.
- Park, S. I. (1990). A Review on the Rational and Architecture of Intelligent Tutoring Systems. Journal of Educational Research, 28(3). 83-96.
- Sleeman, D., & Brown, J. S. (1982). Intelligent Tutoring Systems. Academic Press.
- Duchastel, P. C. (1988). Models for AI in education and training. In P. Ercoli & R. Lewis(Eds.), Artificial Intelligence Tools in Education. North-Holland.
- Ulusar, U. D. (2002, March 24.). Intelligent tutoring system Retrived. http://coe.sdsu.edu.tr/eet/Articles/tutoringsystem/start.html
-
Burns, H., & Parlett, J. W. (2014, January). The evolution of intelligent tutoring systems: Dimensions of design. In Intelligent Tutoring Systems (pp. 1-11). Psychology Press.
[https://doi.org/10.4324/9781315807492]
- Wenger, E. (2014). Artificial intelligence and tutoring systems: Computational and cognitive approaches to the communication of knowledge. Morgan Kaufmann.
- Tennyson, R. D. (1984). The Minnesota adaptive instructional system: An intelligent CBI system. Journal of Computer-Based Instruction, 11(1), 2-13.
- Regian, J. W. (2014). Representing and Teaching High Performance Tasks Within Intelligent Tutoring Systems. In Intelligent tutoring systems (pp. 239-256). Psychology Press. https://apps.dtic.mil/sti/pdfs/ADA221049.pdf#page=19
-
Polson, M. C., & Richardson, J. J. (2013). Foundations of intelligent tutoring systems. Psychology Press.
[https://doi.org/10.4324/9780203761557]
- Moss, C. M., & Brookhart, S. M. (2012). Learning targets: Helping students aim for understanding in today’s lesson. ASCD.
- Lee, B. N., & Son, W. S. (2017). The effects of Formative Feedback on Basic Psychological Needs and Classroom Engagement: Teacher-Student Relationship as a Moderator. Journal of Educational Evaluation, 30(1), 123-143.
-
Kim, M. S. (2024). Validation of Formative Feedback Scale in University Classes. Korean Journal of Educational Psychology, 38(3), 495-519.
[https://doi.org/10.17286/KJEP.2024.38.3.02]
-
Hattie, J., & Timperley, H. (2007). The power of feedback. Review of educational research, 77(1), 81-112.
[https://doi.org/10.3102/003465430298487]
- Brookhart, S. M. (2017). How to give effective feedback to your students. ASCD.
-
Butler, D. L., & Winne, P. H. (1995). Feedback and selfregulated learning: A theoretical synthesis. Review of educational research, 65(3), 245-281.
[https://doi.org/10.3102/00346543065003245]
- Dweck, C.S. (2007). The Perils and Promises of Praise. Educational Leadership, 65, 34-39.
-
Johnston, W. A., & Nawrocki, L. H. (1967). Effect of simulated social feedback on individual tracking performance. Journal of Applied Psychology, 51(2), 145–151.
[https://doi.org/10.1037/h0024411]
- LEE, S. J. (2003). A Study on the Development of Life-Skills: Communication, Problem Solving, and Self-Directed Learning(RR2003-15-03). Korean Educational Development Institute. https://www.kedi.re.kr/khome/main/research/selectPubForm.do?plNum0=3847
-
Kim, K. H., Chang, B., & Choi, H. K. (2019). Deep Learning Based Short-Term Electric Load Forecasting Models using One-Hot Encoding. Journal of IKEEE, 23(3), 852–857.
[https://doi.org/10.7471/IKEEE.2019.23.3.852]
-
Hong, S., Malik, M. L., & Lee, M. K. (2003). Testing configural, metric, scalar, and latent mean invariance across genders in sociotropy and autonomy using a non-Western sample. Educational and psychological measurement, 63(4), 636-654.
[https://doi.org/10.1177/0013164403251332]
- Knowles, M. S. (1975). Self-directed learning: A guide for learners and teachers. Association Press.
- Lee, W. G., & Lee, J. G. (2006). Self-Directed Learning and e-Learning Environment Satisfaction:Comparison Analysis by Self-Regulated Efficacy. Journal of The Korean Operations Research and Management Science Society, 31(3), 127-143..
- Kim, B. M. (2010). Toward Self-Directed Math Learning in College Math Classes. Communications of Mathematical Education, 24(3), 563-585.
-
Jounm, C. G., Bae, E. K., & Park, S. O. (2018). Mediating effects of self-directed learning ability on the relationship between types of learning participation motivation and level of learning flow of adult learners in a distance university. Journal of Education & Culture, 24(5), 155-177.
[https://doi.org/10.24159/joec.2018.24.5.155]
Appendix
부 록
![[그림 1]](/xml/43894/JKACE_2025_v28n1_35_f101.jpg "[그림 1]")
LMS 내 ITS 알고리즘
수강생 전공 분포
수업의 평가 방식
사전설문 문항
![[그림 2]](/xml/43894/JKACE_2025_v28n1_35_f102.jpg "[그림 2]")
ITS 기반 적응형 학습 방식을 적용한 블렌디드 러닝 수업 운영 과정
교수자가 학생들에게 제공한 피드백 유형
학생들이 교수자에게 질의한 피드백 유형
· 2008년 강원대학교 교육학과(교육학석사)
· 2011년 강원대학교 교육학과(교육학박사)
· 2019년 ~ 현재 한림대학교 교무처 교육혁신센터장
· 2024년 ~ 현재 한림대학교 에듀테크소프트랩사업부 단장
관심분야 : 인공지능교육, 원격교육, 교육공학, 교육과정
jskan@hallym.ac.kr
· 2013년 강원대학교 수학과(이학사)
· 2016년 강원대학교 교육대학원 수학교육전공(교육학석사)
· 2023년 ~ 현재 강원대학교 교육학과 박사과정
· 2021년 ~ 현재 한림대학교 교무처 교육혁신센터 연구원
· 2024년 ~ 현재 한림대학교 에듀테크소프트랩사업단 연구원
관심분야 : 교육공학, 온라인학습, 원격교육, 인공지능교육, 교수설계
yelee@hallym.ac.kr
· 1993년 한림대학교 전자계산학과(이학사)
· 1996년 한양대학교 전자계산교육(교육학석사)
· 2013년 한림대학교 컴퓨터공학과(공학박사)
· 2004년 ~ 현재 한림대학교 일송자유교양대학 정보소통 교수
관심분야 : 컴퓨팅사고교육, 이러닝시스템, 인공지능교육, 교양SW교육
yjjung@hallym.ac.kr