Korea Digital Contents Society
[ Article ]
Journal of Digital Contents Society - Vol. 23, No. 1, pp.49-56
ISSN: 1598-2009 (Print) 2287-738X (Online)
Print publication date 31 Jan 2022
Received 22 Oct 2021 Revised 19 Nov 2021 Accepted 19 Nov 2021
DOI: https://doi.org/10.9728/dcs.2022.23.1.49

교과연계 인공지능교육 캠프 프로그램 운영 사례

박정호1 ; 송정범2, *
1진주교육대학교 컴퓨터교육과 교수
2충청남도교육청연구정보원 충남소프트웨어교육체험센터 부센터장
Case of Operating a Curriculum-Linked Artificial Intelligence Education Camp Program
Jung-Ho Park1 ; Jeong Beom Song2, *
1Professor, Department of Computer Education, Chin-ju National University of Education, Jin-ju 52673, Korea
2Vice Director of Center, Chungnam Software Education Experience Center, Chungcheongnamdo, 32255, Korea

Correspondence to: *Jeong Beom Song Tel: +82-41-634-3895 E-mail: edusarang@korea.kr

Copyright ⓒ 2022 The Digital Contents Society
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-CommercialLicense(http://creativecommons.org/licenses/by-nc/3.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

초록

본 연구는 UPA 학습모델에 따라 AI의 기초소양을 배우고, 실습한 후 초등학교 수학교과와 연계한 캠프 프로그램을 개발하고 적용하였다. 주요 연구결과는 다음과 같다. 첫째, AI인식 조사결과 사후 조사의 모든 문항에서 긍정적인 인식변화가 나타났다. 또한 대응표본 t검증 결과 통계상 유의미한 차이가 발견되었다(p<.000). 이것은 UPA를 활용한 교과연계 AI캠프 프로그램이 AI에 대한 긍정적 인식에 영향을 미친 것을 의미한다. 둘째, AI를 배워 수학공부에 적용하는 것은 학습자가 엔트리를 배워 다양한 교과활동에 응용할 수 있다는 가능성을 심어 주었다. 이와 같은 연구는 AI에 대한 소양을 배우는 것을 넘어 교과학습에 적용하는 것은 AI기술적 활용 및 교과학습의 이해에 도움을 줄 것으로 기대된다. 향후 수학, 과학, 음악 등 다양한 교과와 연계한 AI교육 연구가 후속될 필요가 있다.

Abstract

In this study, basic literacy of AI was learned according to the UPA learning model, and after practicing, a camp program linked to the elementary school mathematics department was developed and applied. The main research results are as follows. First, as a result of the AI perception survey, a positive change in perception appeared in all items of the post-investigation. In addition, a statistically significant difference was found as a result of the t-test of the corresponding sample (p<.000). This means that the curriculum-linked AI camp program using UPA influenced the positive perception of AI. Second, learning AI and applying it to math study instilled the possibility that learners could learn Entry and apply it to various subject activities. It is expected that applying such research to subject learning beyond learning knowledge of AI will help understand AI technology utilization and curriculum learning. In the future, research on AI education in connection with various subjects such as mathematics, science and music needs to be followed.

Keywords:

Artificial Intelligence, Education Camp, Subject Linked, Entry, UPA Model

키워드:

인공지능, 교육캠프, 교과연계, 엔트리, UPA모델

Ⅰ. 서 론

컴퓨팅 파워 및 빅데이터 축적으로 인해 인간의 지적 기능을 초월한 인공지능은 IT산업을 넘어 모든 산업 분야에 융합되어 가치를 높이고 있다. 지능정보화시대의 컴퓨터가 단순 반복적인 작업을 자동화시켰다면, 스스로 생각하고 배우며 추론하는 일까지 척척하는 인공지능은 '지능화 시대'를 견인하고 있다고 볼 수 있다. 특히, 일자리 측면에서 2030년대에는 현재의 직업 중 60%가 사라질 것으로 예견되며, 상당수의 직업은 컴퓨터로 대체되거나 업무 수행방식이 현재와는 크게 달라질 것으로 전망되고 있다[1].

교육에서 인공지능의 활용에 관해서는 몇 가지로 구분되고 있다.

먼저 UNESCO(2021)는 교육과 인공지능의 연결을 ‘인공지능으로 배우는 것(learning with AI)’, ‘인공지능에 대해 배우는 것, learning about AI’, 그리고 ‘인공지능에 대한 준비, preparing for AI’의 세 유형으로 구분하였다[2].

Holmes 외(2019)는 ‘인공지능과 함께하는 학습’과 ‘인공지능에 대한 학습’의 두 가지로 분류하였다[3].

‘AI와 함께 배우는 것’은 AI기술을 교육 방법 또는 교육환경에 적용하는 즉, 학습 도구로서 AI를 의미한다. 도구적 측면에서 AI는 이전까지의 최신 교육기술 교육에 접목하는 것에서 더 나아가, 학습의 과정과 방법을 보다 깊이 있고 정교화된 방식으로 이해하는 파워풀한 도구로 AI가 활용되는 것을 의미한다[4]. 그리고 AI에 대해 배우는 것은 AI가 ‘교육의 내용’이 되는 경우를 의미한다. 교육내용적 측면에서 AI는 컴퓨터과학의 한 영역으로 보는 관점이다. 관련 근거로는 미국의 ACM(2016)단체는 컴퓨터 구조, 프로그래밍, 운영체제, 자료구조, 알고리즘, 정보관리, 네트워크, 정보보안 등과 함께 AI를 컴퓨터과학의 핵심 교육영역으로 분류하고 있고[5], 우리나라의 ‘차세대 SW표준모델 개발 보고서’도 AI를 정보교육의 내용체계에 포함하고 있다.

이렇게 볼 때, AI교육은 ‘학습 도구로서 AI의 활용’과 ‘학습내용으로서 AI의 이해’의 두 가지를 모두 포함한다고 볼 수 있다.

교육기술도구를 현장에 적용할 때는 기술 중심의 접근이 아니라[6], 교수학습과정에 강조를 두어야 한다[7]. 이것은 초등학교에서 적용 가능한 AI교육 콘텐츠의 개발이 필요하고 교육과정과 연계한 AI교육 프로그램의 개발은 의미가 있다.

따라서 본 연구에서는 교육에서의 AI의 두 관점 모두를 포함한다. 즉, AI관련 내용 및 기술 지식을 배워 교과학습의 도구로 활용하는 것이다. 즉, AI융합교육은 교육내용으로써 AI를 배운 후 초등학교 교과학습의 도구로서 AI를 활용하는 단계적 접근을 따른다.

AI에 대한 소양을 배우는 것을 넘어 교과학습에 적용하는 것은 AI기술적 활용 및 교과학습의 이해에 도움을 줄 것으로 기대된다.


Ⅱ. 관 련 연 구

2-1 국내외 인공지능교육 정책 동향

미국의 AAAI(Association for the Advancement of Artificial Intelligence)와 CSTA(Computer Science Teachers Association)의 두 단체는 공동 프로젝트인 AI4K12에서 학습자를 위한 인공지능교육 가이드라인을 ‘인식’, ‘표현과 추론’, ‘학습’, ‘사회적 영향’, ‘자연스러운 상호작용’의 5가지 빅 아이디어로 제시하였다[8].

중국은 2018년 4월 최초로 초중학교용 인공지능 교재를 출간하였고, 이후에 다양한 출판사를 통해 AI교과서가 소개되고 있다. 2019년 5월에는 중국 베이징에서 인공지능교육을 주제로 국제학술대회가 개최되었으며, ‘AI와 교육에 대한 베이징 합의’가 처음으로 채택되었다. 학술대회의 주된 내용으로는 교육에서 인공지능을 활용하고 ‘모두를 위한 인공지능 교육’이라는 아젠다를 발표하였다[9].

영국은 모든 초중등학생들이 AI에 관한 지식과 이해, 윤리적인 판단과 사회적 이슈는 필수적으로 배워야 하며 AI기술의 활용은 교과 과정의 필수 부분이라고 ‘AI in the UK’ 보고서를 통해 밝히고 있다[10].

싱가포르는 차세대 AI 인재 양성을 위해 초등학생 대상의 AI for Kids와 중학생에게 기본 프로그램밍과 데이터과학을 가르치는 AI for Students의 AI Singapore 프로젝트를 운영중이다. 그리고 핀란드의 Reaktor와 Helsinki 대학은 학생의 AI소양 이해를 돕기 위해 AI정의, 문제해결, 실제, 기계학습, 신경망, 사회적 이슈의 6개의 주제로 구성된 땜(Elements of AI)라는 온라인 AI교육 콘텐츠를 개발하였다.

위와 같이 많은 주요 Global 국가들은 제4차 산업혁명에서 요구되는 인재 양성을 위해 AI를 중요한 내용으로 가르치도록 권하하며 교육과정과 연계한 구체적인 교육내용을 준비하고 있다. 이러한 흐름속에 우리나라도 지난 2019년 12월 관계부처합동으로 발표한 ‘인공지능 국가 전략’에 따라 2022년부터 SW·AI교육이 초중등교육에서 필수·확대될 계획이다.

2-2 인공지능교육 학술연구 동향

인공지능교육 학술연구는 ‘AI소양교육의 필요성’, ‘AI인식 조사’, ‘AI교육 프로그램 개발’, ‘AI소양교육 방법 연구’, ‘AI기술의 교육적 활용’ 등의 다양한 주제로 수행되었다.

먼저, 초등학생과 교사 대상으로 AI 인식조사와 교육프로그램 개발 연구가 수행되었다[11].

AI소양교육 방법으로 국내외를 망라하여 놀이 중심 언플러그드 활동, 보드게임, 컴퓨터게임, 블록기반 프로그래밍와 텍스트 기반 프로그래밍 그리고 로봇과 같은 피지컬 컴퓨팅 등 다양한 교구를 활용한 연구가 시도되었다[12-17].

AI활용교육과 관련하여 교과학습에 도움을 주기 위해 AI기술을 활용했지만, 본 연구가 지향하는 교과연계하여 학습목표 달성하기 위한 AI교육 보다는 학습자의 학업수행이력의 추적 및 관리 등 학습보조 시스템의 역할을 수행하는 데 머물렀다. 예를 들어 영어 학습용 챗봇 시스템 개발[18], 학습자 학습 경로 분석, 학업 성취도를 예측 등의 연구가 수행되었다[19].

이러한 선행 연구를 요약 정리하자면, 다음과 같다.

첫째, 국내외를 넘어 AI소양교육을 위해 언플러그드 활동과 실제적인 프로그래밍을 필수적인 교육활동으로 포함하고 있다.

둘째, AI소양교육을 위해 보드게임, 컴퓨터게임 활용, 프로그래밍으로 블록기반 스크래치(Sratch)와 엔트리(Entry), 텍스트 기반 Python 활용 그리고 로봇 등 다양한 도구 및 방법이 활용되었다.

하지만, 교과학습에 도움을 주기 위해 AI기술을 활용했지만, 본 연구에서 추구하는 교과의 학습목표 달성하기 위해 AI기반 교과교육과는 달리, 학습 이력의 추적 및 관리 등 학습보조적 역할에 제한되었다.

이러한 결과를 바탕으로 본 연구로의 시사점은 다음과 같다.

첫째, AI소양 프로그램과 연계된 AI기반 교과교육 관련 연구는 수행되지 않았다. 일반적으로 컴퓨팅 도구는 수학과 과학 내용의 학습을 심화시킬 수 있다고 알려져 있는데, AI와 수학, 과학을 연계한 AI기반 교과교육은 상호 시너지를 기대할 수 있다.

둘째, AI기술에 대해 어렵게 인식하는 경향을 갖고 있는 초등학생에게는 수준에 맞는 AI기술도구의 제공은 중요한데[13], 즉, AI도구 선정 시 초등학생의 수준을 고려할 필요가 있다.

셋째, AI소양교육 프로그램 개발 시 AI개념 및 원리 이해를 돕기 위해 모듈별 언플러그드, SW도구, 로봇 등 다양한 도구를 활용할 필요가 있다.


Ⅲ. 연구절차

3-1 UPA 모델 개발

AI융합프로그램 개발을 위해 다음 [그림 1]처럼 TPACK 프레임워크에 따른 UPA 3단계 모델를 개발하였다.

  • TK: 초등학생의 발달 수준을 고려한 기술도구 선택
  • PK: 동기유발-활동안내-AI체험(AI개발)-평가
  • CK: 교과융합에 필요한 AI및 교과내용 지식
Fig. 1.

UPA Level 3 Model.

U(Understanding)단계는 SW 및 AI의 기초 개념과 원리의 이해와 체험, 데이터 과학, 교과융합에 필요한 기술통합적 지식에 관한 내용으로 구성하였다.

P(Practice)단계는 SW와 AI의 기초소양을 습득한다. SW실습은 컴퓨팅 사고력과 알고리즘, 프로그래밍 개념의 이론적 지식과 엔트리 인터페이스 및 프로그래밍 블록(시작, 흐름, 움직임, 생김새, 붓, 소리, 판단, 계산, 함수, 자료)의 플랫폼 실습으로 구성하였다. AI실습은 난이도가 쉬운 것에서 복잡한 것 순으로 진행하였으며, 배운 기능을 반복 재사용 및 확장할 수 있도록 하였다. 실습내용은 인공지능 블럭(번역, 오디오감지, 읽어주기, 비디오 감지), 인공지능 모델 학습(분류:이미지, 분류:텍스트, 분류:음성, 분류:숫자, 예측:숫자, 군집:숫자), 데이터 분석(공용 데이터, 데이터 테이블 생성 및 수정), 확장 블록(날씨, 생활안전, 자연재난, 행사) 등이었다.

A(Application)단계는 이해(Understanding) 및 실습(Practice)에서 습득한 역량을 바탕으로 초등학교 교과목에 적용하는 단계이다.

3-2 교과연계 인공지능교육 프로그램 개발

1) 개발 절차

초등학교 교과목과 연계하기 위해 6학년 국어, 수학, 도덕, 실과, 과학의 교육과정을 분석하였다. 각 교과별 단원을 분석하고 인공지능 융합수업에 적합한 단원을 다음의 절차로 선정하였다. 도구로서 AI 활용이 적합한 교육내용 추출하기 위해 AI활용으로 교육적 효과를 제고할 수 있는 교과 및 단원을 찾는다.

초등학교 6학년 국어, 수학, 도덕, 실과, 과학 교육과정의 단원의 개요, 성격, 목표 및 교육내용을 체계적으로 분석하였다. 일차적으로 교육과정 해설서를 참고하여 교과별 관련영역을 우선적으로 선정하고 교사용지도서에서 세부학습내용을 분석하였다.

2) 프로그램 개발 예시(수학교과 관련)

수학교과 관련 개발 단원은 5-1 수학 3. ‘규칙과 대응’이고 주제는 ‘생활 속에서 대응관계를 찾고 나만의 규칙 찾기 게임 만들기’이다. 개발 세부 내용은 <표 1>과 같다.

AI Education Program Linked to Mathematics.

1~2차시는 SW교육의 이해단계로 엔트리 기초코딩은 엔트리 코딩탐정단(화재편)의 기초 미션을 통해 진행되었다. 화재편은 코드블랙이 일으킨 문제점을 엔트리 코딩탐정단이 코딩을 통해 해결하는 다양한 미션들로 구성되어 있다. 먼저 스토리와 문제 상황을 제시하고, 순서[그림2], 반복, 조건 등 기초 알고리즘을 소개하였다. 이후 오류가 포함된 코드를 제시하여 학생들이 시행착오를 통해 스스로 해결해 보는 경험을 갖도록 하였다. 또한 자동차 주행하는 게임을 만들어 보는 과정에서 학습한 기초 미션을 응용해 볼 수 있도록 하였다.

Fig. 2.

Arrange The Scenes in Order

3차시는 인공지능의 이해 단계로 인공지능이란 무엇이며 인공지능이 대응 관계 규칙을 어떻게 찾는 원리를 알아본다. 지도학습인 분류와 회귀의 개념을 생활 속 사례를 통해 배우게 된다.

4∼5차시는 실습하기 단계로 [그림3-4] 처럼 엔트리 플랫폼을 활용하여 인공지능의 기능을 체험하고 분류(숫자, 텍스트, 이미지, 사운드)와 예측의 모델을 실습하도록 하였다. 엔트리 인공지능 블록인 ‘비디오 감지’으로 물건 찾기 게임을 만들고, 인공지능 모델 학습(숫자-예측)엔트리 데이터 분석의 계절별 기온을 이용해 우리나라의 미래 기온을 예측해 보았다.

Fig. 3.

Camp Lesson Plan(Figure 3 was inserted in Korean as a teaching and learning guide and worksheet actually applied to elementary school students who participated in the study.)

Fig. 4.

Camp Worksheet(Figure 4 was inserted in Korean as a teaching and learning guide and worksheet actually applied to elementary school students who participated in the study.)

6∼8차시는 응용하기 단계로 수학교과 연계활동으로 엔트리로 실생활에서 조사한 데이터 테이블 만들기-대응 관계 규칙을 찾는 인공지능 모델 만들기-나만의 인공지능 게임 만들기로 구성하였다.

3-3 교과연계 인공지능교육 프로그램 적용

1) 연구 대상

2021년 10월 16일 12:00∼18:00까지 00대학교 코딩앤메이커 with AI 캠프에 참여한 30명의 학생을 대상으로 개발한 8차시의 수학교과 연계한 인공지능교육 프로그램을 적용하였다. 참여 학생의 구성을 보면 성별로 남자 16명 , 여자 14명, 학년별로 5학년 19명, 6학년 11명이 참여하였다.

엔트리 코딩에 대한 사전경험이 있는 학생은 10명, 엔트리 AI는 2명이 배운 적이 있었다. 하지만 18명은 엔트리를 처음 접해보는 학생들이었다. 캠프 지도는 초등교사 2명이 주 강사, 예비교사 5명이 보조강사로 참여하였다.

모든 활동은 코로나 19 상황을 고려하여 개별 활동으로 진행되었다. 강사가 캠프활동에 대한 안내를 하면 학생들이 수행하는 형식으로 진행되었다.

2) 검사 도구

교과연계 인공지능교육 프로그램을 통한 학생들의 AI교육에 대한 인식을 조사하기 위해 Wiebe(2003)의 컴퓨터과학 태도 검사 도구를 연구에 맞게 수정하였다[20].

최초 총 57개의 문항으로 일부 문항들은 프로그래밍 외에 일반적인 컴퓨터 과학과 관련되어 있거나 성별 차이를 묻는 문항으로 구성되었다. 그리고 검사지가 본래 대학생을 대상으로 개발되었기 때문에 초등학생에게 그대로 적용하기에는 무리가 있었다. 따라서 SW와 AI와 관련한 초등학생들의 수준과 감정을 반영한 수정보완 작업을 거쳤으며, 자신감, 유용성, 동기영역의 총 9문항으로 선정하였다.

검사 문항은 5단계의 likert scale로 구성되었으며 본 검사지에서는 점수가 높을수록 문항에 대한 긍정적인 반응을 의미한다(3번 문항은 제외). 검사문항의 신뢰도 Cronbach’ α는 .709로 나타났다.


Ⅳ. 연구결과 및 분석

4-1 SW와 AI에 대한 인식조사

사전·사후 조사문항별 학생들의 인식 조사 결과는 다음 <표 2>과 같다.

The Result of AI Perception Pre-Post

사전 조사에 비해 사후 조사의 모든 문항에서 향상된 것으로 나타났다. 특히 AI를 배울 수 있다는 자신감, 미래 직업을 위해 배울 필요가 있다는 문항에서 큰 향상이 나타났다. 사전 사후 t 검증한 결과는 다음 <표 4 >와 같다.

The Result of AI Perception t Test Pre-Post

AI에 대한 인식조사 검사 결과 사전검사는 평균 3.83, 표준편차 0.49, 사후검사는 평균 4.21, 표준편차 0.46로 나타났으며, 대응표본 t검증 결과 검사 시기에 따라 통계상 유의미한 차이가 발견되었다(p<.000). 이것은 UPA를 활용한 교과연계 AI캠프 프로그램이 긍정적인 영향을 끼친 것을 의미한다.

4-2 캠프 활동 관찰 및 학생 인터뷰

엔트리 AI 캠프에서 가장 재미있었던 것으로는 다음과 같은 응답이 있었다. 엔트리로 게임을 만드는 것에 대해 많은 학생들이 재미있었다고 말하였다. 또한 엔트리 코딩을 할때 순서를 딱딱 맞춰서 무언가를 만들어가고,어떻게 하는지 알아내는것이 가장 재미있으면서 기분이 좋아졌다. 또한 엔트리에서 사물 인식을 할 수 있다는 것이 놀라워하였다.

“비디오를 인식하고 그 수의 대한 대응 수 말하기 것이 재미있었던 이유로는 엔트리에 비디오를 인식하는 것이 있다는 것을알게 되었고, 처음으로 데이터 테이블(데이터 분석)을 써보게 되었기 때문입니다.”

“저는 엔트리로 자동차 게임을 하고 또 인공지능이 물건을 인식하고 알아서 대응 관계를 알아내는게 정말 재미있고 신기했습니다”

힘들었던 활동에 대해서는 엔트리를 처음 경험하는 학생의 경우 생소한 용어들과 시스템이 다소 어려웠다고 하였고, 비디오를 인식하고 그 수의 대한 대응 수 말하기 제작에서 코드가 많아 질 수록 어려웠다고 응답하였다.

캠프를 진행한 지도교사 및 예비교사가 학생들의 어려움을 목격하고 도움을 주었던 내용은 다음과 같다.

자동차 게임을 만들 때 장애물에 부딪혔을 때 목숨이 계속 줄어드는 현상이 나타났고, ‘목숨 변수 값 -1만큼 더하기’ 블록 아래에 ‘기다리기’ 블록을 추가하여 장애물에 닿는 동안 변수값이 계속 줄어드는 현상을 간단하게 해결하였다.

좌표에서 음수와 양수, 투명도나 크기 조절처럼 세세한 조정사항에 대해 인식하지 못해서 어려움을 겪는 학생들이 있었습니다. 바로 답을 알려주기보다는 같이 코드를 차근차근 확인해보며 어느 부분이 다른 곳인지 찾고, 학생 스스로 해결할 수 있도록 도움을 주었다.

단계별로 진행되는 코딩의 특성상 한 번 흐름을 놓치면 학생들이 따라가는데에 어려움을 느끼고 활동에 참여하지 않는 것으로 이어지는 경우가 많았습니다.

이러한 문제점들에 대한 대응 방안으로는 PPT인쇄물을 추가로 제공하는 것과 보조교사들의 적극적인 개입을 고려할 수 있다.

캠프 활동 중 가장 기억에 남는 것으로는 대응관계를 AI에 학습시켜 AI가 수학 문제를 스스로 푸는 것, 대응관계 개념을 더 잘 알게 된 것, 데이터를 입력하고 학습시키는 것, 엔트리에게 수학을 가르치고 함께 수학을 배우게 된 점을 들었다.

4-3 논의

본 연구를 통해 교과연계 AI교육의 교육적 의의를 찾을 수 있었다.

처음 엔트리 코딩은 기초 기능익히기와 자동차 게임 만들기로 이루어 졌는 데 혼자 수행하는 자기주도적인 활동이었다. 하지만 규칙과 대응하는 수를 소개하는 수학활동으로 연계될 때 실제 교실 수업처럼 더 활발한 분위기의 수업이 진행되었다. 교사가 퀴즈를 내고 학생들이 규칙을 찾는 것으로 동기유발을 하였다. 즉, 데이터가 AI의 중요한 요소라는 것을 알려주고, 생활 속의 규칙과 대응의 사례를 소개해 주었다(e.g. 자전거의 바퀴는 자전거 * 2). 이후 데이터 테이블을 소개하고 행과 열을 안내하였다. 학생들 개개인이 생활 속에서 발견한 규칙을 이용하여 엔트리 AI의 테이블을 추가하였다. 엔트리 AI코딩은 교사가 만든 작품을 시연한 후 교사의 시범에 따라 학생들이 자신들의 규칙과 대응에 해당하는 엔트리 AI 프로그램을 작성하였다. 그리고 작성한 AI 프로그램에 대한 테스트 즉, 규칙과 대응이 정확히 실행되는 지를 확인하였다. 이와 같이 코딩, AI 그리고 수학을 연결한 의미 있는 활동을 통해 학생들은 코딩, AI 그리고 수학에 대한 긍정적인 인식이 향상되었다. 즉, AI에 대한 긍정적 인식이 증가하였다. 즉, AI를 배워 수학공부에 적용하는 것은 학습자가 엔트리를 배워 다양한 교과활동에 응용할 수 있다는 가능성을 심어 주었다.

둘째, 자기주도적인 학습활동이 관찰되었다. Papert의 구성주의(Constructionism)에 따르면 배움(learning)이라는 것은 실천적 학습(learning by doing)을 강조하고 있는데 캠프활동은 배움을 통한 학습(learning by learning), 결과물의 공유를 통한 학습(learning by sharing)이 관찰되었다. 예를 들어 학습자 스스로 목적에 맞는 데이터를 수집하고 분석하여 활용할 수 있게 되었으며, 가르쳐주지 않는 코드를 시행착오를 통해 배우기도 하였다. 단, 코로나 19 현실에서 학생 간 상호작용의 제한은 남은 문제로 보인다.

셋째, 코딩처럼 다양한 시행착오의 경험을 통해 인공지능에 대한 이해를 확장시켜 주었다. 처음 대응규칙을 만들고 테스트 하는 과정에서 오류가 발생하였다. 예를 들어 대응규칙 2:4, 4:8에서 2를 입력하면 3의 배수가 아닌 5.7이 나타났는 데, 이 과정에서 일부 학생은 인공지능이 바보라고 말하였다. 하지만 이런 문제는 학습한 데이터 개수의 부족이라는 원인을 찾고 기존 데이터 11개를 20개 이상으로 늘려준 후 해결되었다. 또한 이과정에서 학습조건의 횟수, 학습률, 배치 사이즈의 의미를 이해할 수 있었다.

넷째, 상위수준의 수학학습 경험이 가능하였다. 앞의 문제를 해결하기 위해서는 회귀 방정식이란 개념이 필요한 데, 중학교에서 다루는 것이다. 이러한 일련의 시행착오 경험은 실제 AI가 완전하지 않고 알고리즘 편향을 줄이기 위해 많은 데이터와 학습이 필수라는 것을 인식하는 계기가 되었다. Y=1.2X+0.6에서 Y=2X+0을 만들기 위해서 시간이 소요되었다. 이후 ‘천재’라는 표현이 나타났다.

끝으로 UPA모델의 일반화 가능성을 확인해주었다. 엔트리 기초코딩, AI의 원리 알고 실습하기, 수학교과에 연결하는 것은 코딩을 처음 경험하는 학생들도 AI의 이해는 물론 수학교과 학습에 적용하는 데 자연스러운 연결을 가능하게 해주었다. 코로나 19상황이라 학생들간의 소통을 최대한 제한하여 보조강사진을 늘렸다. 초등학생 30명인데, 현장교사와 예비교사로 구성된 강사진이 7명이 포진하여 궁금한 것을 즉각적으로 대응할 수 있어 캠프 진행이 수월하였다. 하지만 코로나 19가 극복된다면 동료와의 소통과 협업으로 어느정도 보완이 가능할 것으로 기대된다.


Ⅴ. 결 론

본 연구는 UPA 모델에 따라 AI의 기초소양을 배우고, 실습한 후 초등학교 수학교과와 연계한 캠프 프로그램을 개발하고 적용하였다.

주요 연구결과는 다음과 같다.

첫째, AI인식 조사결과 사후 조사의 모든 문항에서 긍정적 인식이 향상된 것으로 나타났다. 또한 대응표본 t검증 결과 검사 시기에 따라 통계상 유의미한 차이가 발견되었다(p<.000). 이것은 UPA를 활용한 교과연계 AI캠프 프로그램이 AI에 대한 긍정적 인식에 영향을 미친 것을 의미한다.

둘째, AI를 배워 수학공부에 적용하는 것은 학습자가 엔트리를 배워 다양한 교과활동에 응용할 수 있다는 가능성을 심어 주었다. 대응관계를 AI에 학습시켜 AI가 수학 문제를 스스로 푸는 것, 대응관계 개념을 더 잘 알게 된 것, 데이터를 입력하고 학습시키는 것은 교과학습의 개념을 심화시키고 코딩 및 AI의 확장성을 보여주었다.

셋째, 자기주도적인 배움의 과정이 확인되었다. 또한 시행착오를 통한 학습경험은 AI에 대한 깊은 이해를 향상시켰다.

넷째, 상위 수준의 수학학습을 경험하였다. 초등학교에서 다루는 대응과 규칙을 넘어 방정식의 개념을 이해할 수 있었다.

이와 같은 연구는 AI에 대한 소양을 배우는 것을 넘어 교과학습에 적용하는 것은 AI기술적 활용 및 교과학습의 이해에 도움을 줄 것으로 기대된다. 향후 수학, 과학, 음악, 시과 등 다양한 교과와 연계한 AI교육 연구가 후속될 필요가 있다.

Acknowledgments

본 연구는 2020년 대한민국 교육부와 한국연구재단의 지원을 받아 수행된 연구로서 (NRF-2020S1A5A8041350), 관계부처에 감사드립니다.

References

  • C. B. Frey and M. A. Osborne, “The future of employment: How susceptible are jobs to computerisation?,” Technological Forecasting and Social Change, Vol. 114, pp. 254-280, January 2017. [https://doi.org/10.1016/j.techfore.2016.08.019]
  • UNESCO(2021), [Internet]. Available: https://en.unesco.org/artificial-intelligence/education/, .
  • W. Holmes, M. Bialik and C. Fadel, “Artificial intelligence in education: Promises and implications for teaching and learning. Boston,” MA: The Center for Curriculum Redesign, 2019.
  • R. Luckin and W. Holmes, “Intelligence Unleashed: An argument for AI in Education,” UCL Knowledge Lab: London, UK, 2016. 
  • ACM(2016), K-12 Computer Science Framework. http://www.k12cs.org, . Accessed 2017 Dec 2.
  • S. Papert, “Critique of technocentrism in thinking about the school of the future,” In Children in the information age: Opportunities for creativity, innovation and new activities(pp. 3-18). Oxford, UK: Pergamon Press, 1988. [https://doi.org/10.1016/B978-0-08-036464-3.50006-5]
  • E. Haverson and K. Sheridan, “The maker movement in education. Harvard Education Review,” Vol. 84, No. 4, pp. 495-505, December 2014. [https://doi.org/10.17763/haer.84.4.34j1g68140382063]
  • D. S. Touretzky, “Introduction to AI for K-12 Educators” (slides) and “Deep Dive Into AI4K12’s Five Big Ideas” (slides), at the Rocky Mountain Computer Science Conference for P-12 Educators, 2021
  • UNECO, International Conference on Artificial Intelligence and Education: Planning Education in the AI Era: Lead the Leap, Beijing. 2019.07.20. [Internet]. Available: https://unesdoc.unesco.org/ark:/48223/pf0000368303/, .
  • AI in The UK: Ready, Willing and Able?Tech Report Select Committee on Articial Intelligence, House Lords, London, U.K.
  • R. Miyoung and H. SeonKwan, “The Educational Perception on Artificial Intelligence byElementary School Teachers,” Journal of The Korean Associationof Information Education, Vol. 22, No. 3, pp. 317-324, March 2018. [https://doi.org/10.14352/jkaie.2018.22.3.317]
  • A. Lindner, S. Seegerer S and R. Romeike,  "Unplugged Activities in the Context of AI." in Proceedings of the 12th International Conference on Informatics in Schools: Situation, Evolution, and Perspectives, Larnaca Ed. Pozdniakov, Sergei Dagiene, Valentina, Springer, pp. 123-135, November 2019. [https://doi.org/10.1007/978-3-030-33759-9_10]
  • Y. H. Lee, “An Analysis of the Influence of Block-type Programming Language-Based Artificial Intelligence Education on the Learner's Attitude in Artificial Intelligence,” Journal of The Korean Assocaition of Information Ecucation, Vol. 23, No. 2, pp. 189-196, Febuary 2019. [https://doi.org/10.14352/jkaie.2019.23.2.189]
  • J. Estevez, G. Garate and M. Graña, "Gentle Introduction to Artificial Intelligence for High-School Students Using Scratch," in IEEE Access, Vol. 7, pp. 179027-179036, Nomember 2019. [https://doi.org/10.1109/ACCESS.2019.2956136]
  • I. C. Kim, “Utilizing Computer Games for Effective AI Education,” Journal of The Korean Society for Computer Game, Vol. 26, No. 3, pp. 109-118. September 2013.
  • R. Williams, H. W. Park, L. Oh and C. Breazeal, “Popbots: Designing an artificial intelligence curriculum for early childhood education,” In Proceedings of the 9th Symposium on Education Advances in Artificial Intelligence, Vol 33, pp. 9729-9736, July 2019. [https://doi.org/10.1609/aaai.v33i01.33019729]
  • L. Greenwald and D. Artz, “Teaching artificial intelligence with low-cost robots,” In AccessibleHands-on Artificial Intelligence and Robotics Education, AAAI Spring Symposium, Tech. Rep. SS-04-01, pp. 35-40, 2004.
  • D. H. Lee, "A study for the development of an English learning chatbot system based on Artificial Intelligence". Secondary English Education (SEE), Vol. 11, pp. 45-68, Feburary 2018. [https://doi.org/10.20487/kasee.11.1.201802.45]
  • Y. Lee and D. Koo, “A Study on Development Deep Learning Based Learning System for Enhancing the Data Analytical Thinking,” Korean Association of Information Education, Vol. 21, No. 4, pp. 393–401, August. 2017. [https://doi.org/10.14352/jkaie.2017.21.4.393]
  • E. N. Wiebe, L. Williams, K. Yang & C. Miller, “Computer Science Attitude Survey,” (Report No.: NCSU CSC TR-2003-1) Dept. of Computer Science, NC State University, Raleigh, NC. 2003.

저자소개

박정호(Jung-Ho Park)

1997: 서울교육대학교 과학교육학과(학사)

2008: 한국교원대학교 컴퓨터교육학과(교육학박사)

2013년~2014년 Tufts University CEEO Research scholar

2014년~2016년 서울교육대학교 교육전문대학원 겸임교수

2016년~현 재 : 진주교육대학교 컴퓨터교육과 교수

※관심분야:컴퓨터교육, 로봇교육, 인공지능교육

송정범(Jeong-Bum Song)

1998 공주교육대학교(교육학학사)

2001 공주교육대학교(교육학석사)

2010 교육학박사(한국교원대)

2018.3.~현 재: 충청남도교육청연구정보원 충남소프트웨어교육체험센터 부센터장

※관심분야 : 컴퓨터교육, SW·AI교육, STEAM교육

Fig. 1.

Fig. 1.
UPA Level 3 Model.

Fig. 2.

Fig. 2.
Arrange The Scenes in Order

Fig. 3.

Fig. 3.
Camp Lesson Plan(Figure 3 was inserted in Korean as a teaching and learning guide and worksheet actually applied to elementary school students who participated in the study.)

Fig. 4.

Fig. 4.
Camp Worksheet(Figure 4 was inserted in Korean as a teaching and learning guide and worksheet actually applied to elementary school students who participated in the study.)

Table 1.

AI Education Program Linked to Mathematics.

Step Time Topic Content
U 1~2 Entry basics Experience of algorithm and Entry basic programming.
3 Finding AI and Response Rules Learn about AI and find out which AI is used to find the rules of response.
P 4 Using AI blocks Make an Entry AI block to find things.
5 Number prediction AI model Predicting the future temperature of Korea using seasonal temperatures of data analysis.
A 6 Making a data table Find the relationship in your daily life and make a data table.
7 Create AI using the Response Rule Create entry AI works using rule-finding and play games.
8 Create your own AI game. Adding AI functions of various Entry to the developed AI work.

Table 2.

The Result of AI Perception Pre-Post

Question Pre_T Post_T
I am confident that I will learn AI well. 3.96 4.52
I have a lot of confidence in AI activities 3.91 4.22
AI is a difficult task for me even though I try my best (*) 2.17 2.13
I learn AI because I know how useful it is. 4.13 4.61
I need to learn AI very well for my future occupation. 4.17 4.74
I will use AI in various ways throughout my life. 4.13 4.70
I like to make something with AI. 4.00 4.30
I will consistently make an effort when I cannot immediately solve a AI problem. 4.04 4.48
I feel sense of challenge for AI problems that I cannot understand right away. 3.96 4.22

Table 3.

The Result of AI Perception t Test Pre-Post

Category Num Mean SD df t-values Sig.
Pre_T 30 3.83 .49 22 -4.45 .000
Post_T 30 4.21 .46