2015 개정 중학교 정보 교과서의 ‘문제 해결과 프로그래밍’ 단원 핵심 개념 분석

Ⅰ. 서 론

2015 개정 교육과정의 고시로 초등학교와 중학교에서 소프트웨어 교육이 필수화되었고, 2018년부터 전국의 중학교에서 정보(Informatics) 과목이 필수로 가르쳐지고 있다[1][2]. 기존의 ICT 활용 교육에서 탈피하여 컴퓨터 과학 교육과 컴퓨팅 사고력(Computational Thinking) 교육을 강조하고 있는 정보 과목이 실제 중학교에서 어떤 내용이 어떻게 가르쳐지고 있는지 점검하는 것은 새롭게 필수가 된 정보 과목에는 중요한 문제이다[3]. 구체적으로 어떤 내용을 어떻게 가르치고 있는지를 확인하는 가장 좋은 방법은 바로 정보 교과서를 분석하는 방법이다. 교과서는 국가에서 고시한 교육과정을 구체적으로 실현한 수업 자료로, 교사는 교육과정에서 구현하고자 하는 목표와 내용을 교과서로 학생을 지도하기 때문이다.

교과서 분석 연구는 교육 현장을 대변하는 가장 중요한 기본적인 교과 교육 연구이다. 이에 많은 연구자들이 새로운 교육과정이 고시되어 교과서가 출판되면 교과서 분석 연구를 실시하였다. 기존의 교과서 분석 연구는 크게 정량적 분석 연구와 정성적 분석 연구로 구분할 수 있다[4]. 정량적 연구의 대표적 경우는 교과서의 내용에 대한 롬니 지수(Romey Index)를 측정한 연구인데, 롬니 지수는 교과서에 제시된 내용이 얼마나 탐구적이냐를 측정하는 지수로 연구자가 교과서의 본문 내용을 사실, 결론, 질문 등으로 구분하여 이에 관한 지수를 산출한다[5]. 정성적 연구의 경우는 내용 분석법으로 교과서의 내용이나 형식 등을 연구자의 특정 기준으로 분석하는 방법이다.

교과서 연구 방법인 롬니 지수 산출법과 내용 분석법은 연구자의 가치 판별과 해석이 포함된 방법이다. 이에 본 연구는 객관적 방법으로 교과서의 내용을 분석할 수 있는 텍스트 마이닝 기법을 사용하고자 한다. 빅데이터 연구가 일상생활과 다양한 학문 분야에서 진행되고 있는데, 교육 분야에서도 선도적으로 적용되는 시기가 도래하였다. 특히, 교과서는 텍스트, 그림과 사진 등 다양한 정보가 담겨져 있는 수업의 기본 자료로 교과서에 포함된 텍스트 정보 자체를 취합하여 분석하는 연구는 이전에는 매우 어려웠지만, 현재는 교과서가 디지털 콘텐츠로 보급되면서 다양한 텍스트 마이닝 기법을 이용한 연구가 이루어질 수 있다. 따라서, 본 연구는 2015 개정 교육과정의 중학교 정보 교육과정에서 가장 중요하게 다루어지고 있으며, 가장 많은 시수를 차지하고 있는 문제 해결과 프로그래밍 단원의 내용과 세 종류의 중학교 정보 교과서 내용에 포함된 텍스트를 분석하는 것을 목적으로 한다.

연구에 적용된 분석 방법은 단어 빈도 분석과 연관 분석을 실시하였다. 빈도 분석은 단순한 방법이지만 교과서의 내용 중에서 가장 많이 빈번하게 제시되고 있는 단어를 추출하는 기법으로, 이 방법으로 교과서에서 중요하게 다루어지는 단어, 즉 핵심 개념을 파악할 수 있을 것이다. 또한 추출된 단어 간의 연관 관계 분석을 통해 핵심 개념간의 연관성도 추측할 수 있기 때문에 교과서 연구 중에서 가장 기본적이면서도 객관적인 자료로 활용될 수 있을 것이다.

Ⅱ. 관련 연구

Ⅲ. 연구의 설계

3-2 연구의 절차 및 방법

연구의 절차는 그림 1과 같은데, R 프로그램으로 분석 결과를 도출하는 과정이다. 먼저 교육과정과 중학교 정보 교과서의 디지털 콘텐츠 파일(PDF)에서 텍스트를 먼저 추출하고, 이를 한글 자연어 분석 패키지를 사용하여 형태소 분석 가능 형태로 변환하여 추출하였다. 형태소 형태로 구분된 단어들은 정교한 분석을 위해 정선하는 과정을 거치게 되는데, 한글 자연어 분석 패키지와 한글 사전 패키지를 이용하여 무의미한 문자들을 제외시키면서 단어를 정제하였다. 네 번째 과정은 추출된 단어들을 빈도 분석하는 과정으로 시각화 패키지를 이용하여 워드 클라우드로 표현해 보고, 가장 많이 사용된 단어들을 추출해 보는 빈도 분석을 실시하였다. 마지막으로 문장 단위로 사용되는 단어들의 연관성을 분석하기 위해 연관 분석을 실시하였다. 연관 분석은 동시에 발생하는 사건들의 규칙을 수치화하여 연관 규칙을 표현하는데, 한 사건과 다른 사건 사이의 연관성을 찾아낼 때 사용한다[19]. 데이터 사이의 연관성을 찾기 위해 사용되는 대표적인 지표에는 지지도(support)와 신뢰도(confidence)가 있다.

Fig. 1.

Process of study

표1에서 제시하고 있는 지표를 이용하여 두 데이터 A, B의 연관 정도를 수치로 보여 줄 수 있다. 예를 들어, 지지도는 문장에서 두 개의 단어 A, B를 모두 가지고 있는 확률을 의미하고, 신뢰도는 조건부 확률로 단어 A가 포함된 문장 중에서 A와 B, 둘 다 가지고 있는 확률을 의미한다.

Table 1.

Performance measures in association analysis

Ⅳ. 연구의 결과

4-1 빈도 분석 결과

2015 개정 중학교 정보 교육과정의 문제 해결과 프로그래밍 관련 내용과 세 종류의 중학교 정보 교과서의 문제 해결과 프로그래밍 단원의 콘텐츠 내용을 텍스트 마이닝으로 분석하여, 이를 워드 클라우드로 표현하면 그림 2와 같다.

Fig. 2.

Word cloud of curriculum and A, B, C textbooks

워드 클라우드로 표현된 단어를 살펴보면 선별된 단어와 그 중요도가 서로 상이하다는 것을 확인할 수 있다. 즉 동일한 단어가 추출되어 표시되더라도, 교육과정과 교과서에 제시된 빈도수와 비율이 각기 다르다는 것을 확인할 수 있다.

교육과정과 세 가지 종류 교과서의 해당 단원에서 가장 많이 사용된 단어와 그 빈도수, 비율을 확인하기 위해 텍스트 마이닝 방법 중 하나인 빈도 분석을 실시한 결과, 추출된 단어의 상위 빈도 20개는 표 2, 표 3과 같다.

Table 2.

Word frequency analysis of curriculum and A textbook

Table 3.

Word frequency analysis of B and C textbooks

표 2에서 2015 개정 중학교 정보 교육과정의 문제 해결과 프로그래밍 관련 내용에서 추출된 전체 단어의 개수는 681개이고, 그 중에서 상위 빈도를 살펴보면 가장 많은 빈도를 보인 단어가 문제로 51회(7.5%), 두 번째 빈도를 보인 단어는 해결로 36회(5.3%)이다. 중학교 정보 교과의 목표 및 성격이 실생활 및 다양한 학문 분야의 문제를 해결하는 것이기 때문에 당연한 결과로 해석된다. 또한 정보 교과의 새로운 교육 패러다임인 컴퓨팅 사고력의 구성 요소인 추상화를 대표하는 알고리즘이란 단어와 자동화를 대표하는 프로그래밍이란 단어는 각각 16회(2.3%)의 빈도수를 보이고 있다. 이외에도 추상화와 자동화와 관련된 프로그램, 변수, 절차, 개발 등의 단어들도 높은 빈도수를 보이고 있는 것으로 보아, 정보 교육과정의 문제 해결과 프로그래밍 관련 내용에서 핵심 단어로 높은 출현 빈도를 보이고 있다고 해석할 수 있다.

A, B, C 종류의 교과서 텍스트에서 추출된 단어의 총 개수를 살펴보면 각각 1,608개, 1,030개, 790개이다. A 교과서의 총 단어 수가 C 교과서의 총 단어 수보다 2배 이상 많았다. 세 종류의 교과서의 관련 단원 총 페이지는 A 교과서가 61쪽, B 교과서가 58쪽, C 교과서가 53쪽으로 단원의 분량은 어느 정도 비슷하다고 할 수 있지만, 교과서의 텍스트에서 추출된 단어의 수가 이렇게 차이가 나는 이유는 C 교과서가 다른 두 종류의 교과서보다 텍스트보다 삽화나 사진 같은 이미지 정보가 상대적으로 많고, 교과서에 기술된 문장과 단어의 수가 비교적 적다는 해석을 할 수 있다.

세 종류의 교과서에 가장 많은 출현 빈도를 보이고 있는 단어는 교육과정과 마찬가지로 ‘문제’이었다. 두 번째로 많은 출현 빈도를 가지고 있는 단어는 A 교과서는 ‘구조’이었고, B, C 교과서는 ‘해결’이었다. A 교과서의 경우 ‘해결’이란 단어가 빈도 순위 4위에 있어, 비교적 높은 출현 빈도를 나타내고 있었다.

교육과정에서 중요하게 다루고 있는 핵심 개념의 하나가 바로 컴퓨팅 사고력의 주요 개념인 추상화와 자동화를 대표하는 ‘알고리즘’과 ‘프로그래밍’이다. 표 2와 표 3에서 확인할 수 있는데, 세 교과서에서 추상화와 알고리즘과 관련된 다양한 단어들이 높은 빈도수를 차지하고 있었다. 예를 들어, 프로그램, 구조, 반복, 표현, 명령, 입력, 출력 등이 높은 빈도로 교과서에서 사용되고 있었다. 즉 ‘문제’, ‘해결’과 같은 기본 용어들은 모든 교과서에서 비슷하게 높은 빈도로 사용되는 핵심 개념이었다. 하지만, 알고리즘과 프로그래밍과 관련된 단어들은 A 교과서에는 반복과 블록형 프로그래밍 언어인 스크래치나 엔트리를 사용하고 있기 때문에 블록이란 단어가 핵심 개념으로 제시되었고, B 교과서에는 조건, 변수 같은 프로그래밍 개념이 핵심 개념으로 제시되었다. C 교과서에서는 순차구조, 변수, 반복 구조 등이 핵심 개념으로 제시되었다.

4-2 연관 분석 결과

중학교 정보 교육과정과 세 교과서의 문제 해결과 프로그래밍 단원에 기술된 문장 안의 단어 연관 관계를 살펴보기 위해 연관 분석을 실시하였다.

표 4는 중학교 정보 교육과정과 세 교과서의 문제 해결과 프로그래밍 단원의 문장에서 동시에 출현하는 가능한 모든 쌍의 단어 간 연관 규칙을 발췌하여 지면상 그 일부를 정리한 표이다. 그림 3에 제시된 연관 그래프는 문장 안에 포함된 단어들의 연관도를 먼저 분석한 후, 이를 그래프로 표현한 것이다.

Table 4.

The top association rules of curriculum and three textbooks

Fig. 3.

Association graphs of curriculum and three textbooks

표 4에서 정보 교육과정은 문제, 해결이란 단어가 동시에 발견될 확률인 지지도는 0.56 정도이지만, 문제라는 단어가 포함된 문장에서 해결이란 단어가 발견될 확률인 신뢰도는 0.85로 매우 높게 나타난 것을 확인할 수 있다. A 교과서도 {문제}-{해결}의 지지도는 0.18에 불과했지만, 신뢰도는 0.84로 매우 높게 나타난 것을 확인하였는데, 이와 같은 방식으로 다른 주제어들 간의 쌍들도 연관 관계를 해석할 수 있다.

중학교 정보 교육과정에 포함된 문제해결과 프로그래밍 단원 문장안의 단어들에 관한 연관도는 지지도 0.15, 신뢰도 0.3 수준으로 계산해 보니 모두 61개의 규칙을 발견하였다. 세 종류의 교과서는 지지도 0.05, 신뢰도 0.01 수준으로 A 교과서는 40개의 규칙, B 교과서는 120개의 규칙, C 교과서는 31개의 규칙이 발견되었다. 연관 규칙의 빈도수를 살펴보면 B 교과서가 다른 두 종류의 교과서보다 훨씬 많은 연관 규칙을 가지고 있는데, 이는 서로 연관성 있는 단어들을 포함된 문장의 빈도수가 확률적으로 높다는 것이다. 즉, 다른 교과서보다 서로 연관된 단어들이 많이 진술되어 있어 교과서에서 두 개의 단어를 연관지어 강조하고 있다는 의미이다.

또한 표 4의 연관 규칙 중에서 가장 높은 빈도를 보인 두 개의 연관 단어들은 A 교과서는 {문제}-{해결}, B 교과서는 {해결}-{과정}, C 교과서는 {문제}-{추상화}이다. A와 B 교과서는 문제의 해결과 해결 과정에 초점을 맞추어 문장을 진술한 횟수가 가장 많은 것에 비해 C 교과서는 문제의 추상화 관점에서 진술된 문장의 개수가 가장 많은 것을 확인할 수 있었다. 세 개의 연관 단어들은 A 교과서가 {문제, 해결}-{하다}, B 교과서는 {문제, 해결}-{과정}, C 교과서는 {문제, 해결}-{방법}이다. 세 개의 연관 단어들은 세 종류의 교과서 모두 문제의 해결 관점을 강조하여 문장을 서술하고 있는 것을 확인할 수 있었다.

Ⅴ. 결 론

본 연구는 중학교 정보 과목이 필수화된 시기를 맞이하여 정보 과목이 교실 현장에 어떻게 적용되고 있는지를 확인하기 위해 2015 개정 교육과정의 중학교 정보 교육과정과 세 종류 교과서의 ‘문제 해결과 프로그래밍’ 단원의 내용을 빈도 분석과 연관 분석 기법으로 분석하였다. 분석 결과 교육과정과 세 종류 교과서는 정보 교과의 목표와 성격에서 추구하고 있는 핵심 개념인 문제, 해결, 알고리즘, 프로그래밍과 관련된 개념들이 높은 출현 빈도를 보여 핵심 개념으로 제시되고 있는 것을 확인하였다. 하지만, 교과서는 교실에서 학생의 실제 활동을 중심으로 구성되기 때문에 출현 빈도가 높은 핵심 개념들이 조금 상이한 경우를 발견할 수 있었다.

컴퓨팅 사고력의 요소인 추상화와 자동화와 관련된 개념인 알고리즘과 프로그래밍은 교육과정과 세 종류의 교과서 모두에서 높은 출현 빈도를 보여 핵심 개념으로 사용되었는데, 알고리즘과 프로그래밍 활동과 관련된 구체적 개념인 알고리즘의 구조와 표현, 반복, 명령, 입력과 출력 등의 개념이 높은 출현 빈도를 보이는 교과서도 있었지만, 다른 교과서에서는 실제 스크래치나 엔트리 프로그래밍 활동에서 사용되는 블록이란 단어가 상대적으로 높은 출현 빈도를 보여 교과서의 핵심 개념으로 제시되고 있었다.

연구 대상인 교육과정과 세 종류의 교과서에서 추출된 문장에 사용된 단어들의 연관 규칙을 추출해 보았는데, 가장 많은 연관도를 보인 두 개의 단어들은 {문제}-{해결}, {문제}-{과정}, {문제}-{추상화}이었다. {문제}-{해결}, {문제}-{과정} 단어들보다 {문제}-{추상화} 단어들이 높은 연관도를 보인 교과서는 문제의 추상화 과정을 한 문장에서 빈도 높게 제시하고 있다는 것을 확인할 수 있었다. 즉 문제의 추상화 과정을 다른 두 종류의 교과서보다 강조하고 있다는 것이다.

국가에서 제시한 중학교 정보 교육과정은 하나이지만, 이를 교실 현장에서 실현할 주체가 되는 정보 교과서는 현재 17종이 있다. 이는 교과서 인정 제도가 가지고 있는 다양한 종류의 교과서를 제공한다는 장점을 그대로 보여주고 있는 현실이지만, 교사의 입장에서 보면 17종의 교과서 중에서 한 권을 선택해야 하는 문제는 매우 어려운 선택이다. 따라서 교과 교육 연구에서 교과서 분석 연구는 순수 연구라는 측면도 있지만, 교육의 올바른 실천을 위한 기초 연구의 성격도 가지고 있다. 17종의 교과서 모두를 연구 대상으로 하지 못한 연구의 제한점이 있지만, 본 연구에 제시된 세 종류의 교과서 분석 자료는 최대한 연구자의 주관적 개입을 배제하고 순수하게 교과서에서 추출된 단어들을 분석하였다는 방법적 측면과 교과서에서 높은 출현 빈도를 보여 강조하고 있는 핵심 개념을 제시했다는 내용적 측면의 의의가 있다고 할 수 있다. 본 연구를 통해 교과서의 텍스트를 텍스트 마이닝 방법으로 분석한 객관적 자료를 제공해 줄 수 있다는 가능성을 확인하였으며, 이런 방법을 통해 얻은 연구 자료는 추후 교사가 교과서를 선택하거나, 관련 전공자가 교과서를 집필할 때 좋은 참고 자료가 될 것으로 기대된다.

참고문헌

• Ministry of Education, and Ministry of Science, ICT and Future Planing, Plan for human resource development for SW-oriented society, 2015.
• T. W. Lee and H. J. Choe, Informatics Education, Hanbit Express, 2016.
• H. N. Jung and Y. S. Jhun, “Analysis of Instruction Materials for Physical Computing from the Perspective of Computer and Information Literacy”, Journal of The Korean Association of information Education, Vol.22, No.4, pp.473-489, Dec. 2018. [https://doi.org/10.14352/jkaie.2018.22.4.473]
• O. H. Kang and J. M. Park, “Analysis of 'Basic Information Technology' Textbooks in Technical High Schools”, The Journal of the Korea Contents Association, Vol.13, No.3, pp.485-494, March 2013. [https://doi.org/10.5392/JKCA.2013.13.03.485]
• B. G. You, J. M. Kim and W. G. Lee, “Implication for Construction Computing System Unit of the 2015 Revised Curriculum”, The Journal of Korean association of computer education, Vol.19, No.2, pp.31-40, June 2016.
• O. H. Kang, “The Analysis of Inquisitive Tendency in Middle School Informatics Textbooks Based on the 2015 Revised National Curriculum”, The Journal of Korean association of computer education, Vol.22, No.1, pp.21-28, March 2019.
• O. H. Kang, “Analysis on the Aspect of Learners’ Explorations Reflected in High School Informatics Textbooks Based on the 2015 Revised National Curriculum”, KIPS Transactions on Computer and Communication Systems, Vol.8, No.5, pp.103-110, May 2019.
• O. H. Kang and B. S. Kim, “The Analysis of Inquisitive Tendency of Problem-Solving Method and Process Section in High School Informatics Textbooks”, The Journal of Korean association of computer education, Vol.15, No.4, pp.51-59, Dec. 2012.
• J. M. Kim, et al., “Analysis of Inquiry Tendency in the 'Information Representation and Management' Sections in Middle School Informatics Textbooks”, The KIPS Transactions : Part A, Vol.19, No.1, pp.9-16, March 2012. [https://doi.org/10.3745/KIPSTA.2012.19A.1.009]
• J. H. Jung and Y. S. Kim, “A study on Analysis of Inquisitive Tendency of 2009 Revised Middle School Informatics Textbooks”, Journal of Next-generation Convergence Information Services Technology, Vol.3, No.1, pp. 1-8, March 2014.
• H. J. Choe, “Frequency Analysis of Core Concepts of High School Informatics Subject Textbooks Using Text Mining”, Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology, Vol.9, No.11, pp.419-429, Nov. 2019. [https://doi.org/10.35873/ajmahs.2019.9.11.039]
• J. R. Kim, “Analyzing contents of software education area shown in the 2015 revised elementary Practical Art textbook”, Journal of The Korean Association of Information Education, Vol.23, No.1, pp.9-18, March 2019.
• S. H. Kim, “Analysis of Abstraction Contents in Informatics Textbooks of Middle School According to 2015 Revised Curriculum”, The Journal of Korean association of computer education, Vol.21, No.5, pp.1-10, Sept. 2018. [https://doi.org/10.32431/kace.2018.21.5.001]
• H. J. Choe, “Study of Analysis about Learning Objectives of Informatics Textbooks in Middle School using Anderson`s Taxonomy of Educational Objectives”, The Journal of Korean association of computer education, Vol.17, No.1, pp.51-63, March 2014.
• K. Sun, H. Kim and S. Y. Lee, “Analyzing the Keywords of Future Education using Text-mining Methodology”, Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology, Vol.9, No.5, pp.11-23, May 2019.
• J. H. Shin and J. W. Choi, “Text mining Analysis of College Students’ Descriptive Course Evaluation”, Journal of Learner-Centered Curriculum and Instruction, Vol.19, No.16, pp.77-99, Oct. 2019.  [https://doi.org/10.22251/jlcci.2019.19.16.77]
• S. J. Ko, “Predicting Learning Achievement Using Big Data Cluster Analysis - Focusing on Longitudinal Study”, Journal of Digital Contents Society, Vol.19, No.9, pp.1769-1778, Sept. 2018. [https://doi.org/10.9728/dcs.2018.19.9.1769]
• S. B. Kim, S. B. Chae and H. Jung, “Analysis of core area of living culture in the high school Home Economics Textbooks Revised in 2015”, Journal of Learner-Centered Curriculum and Instruction, Vol.19, No.7, pp.871-903, June 2019. [https://doi.org/10.22251/jlcci.2019.19.7.871]
• S. G. Cho and S. B. Kim, “Finding Meaningful Pattern of Key Words in IIE Transactions Using Text Mining”, Journal of the Korean Institute of Industrial Engineers, Vol.38, No.1, pp.67-73, March 2012. [https://doi.org/10.7232/JKIIE.2012.38.1.067]