세종학당 교육자료의 메타데이터화 방안 연구

현대 사회는 디지털 기술의 발전과 함께 정보의 생성 및 유통이 급속도로 증가하며, 이른바 ‘정보의 홍수’ 현상이 두드러지고 있다. 이에 따라 정보를 소유하는 것보다 필요한 정보를 신속하고 정확하게 탐색하고 활용할 수 있는 능력이 핵심 역량으로 부각되고 있다. 이러한 배경 속에서 메타데이터(Metadata)는 방대한 정보를 효율적으로 관리하고 접근하기 위한 핵심 수단으로 자리매김하고 있다.

메타데이터는 정보의 조직, 검색, 활용을 지원하기 위해 자원(resource)을 구조화하고 기술하는 정보로 특정 자원을 식별하고 설명하며 분류하는 역할을 수행한다. 전통적으로는 ‘데이터에 대한 데이터(data about data)’로 간단히 정의되어 왔으나, 최근에는 ‘자원에 대한 정보(information about resources)’라는 정의가 널리 채택되며 그 적용 범위와 기능이 확장되고 있다[4].

메타데이터는 목적과 기능에 따라 일반적으로 구조적 메타데이터, 기술적 메타데이터, 관리적 메타데이터로 구분되며, 일반적으로 하나의 메타데이터에는 이 세 가지 요소가 포함된다[5]. 이러한 요소는 스키마(schema)나 태그(tag)와 같은 규칙 및 요소를 통해 표현되며, 이는 데이터의 검색 가능성과 상호운용성을 높이는 데 기여한다.

오늘날 메타데이터는 정보기술, 교육, 의료, 경제 등 다양한 분야에서 광범위하게 활용되고 있으며, 특히 검색 엔진, 데이터베이스 등에서 핵심적인 역할을 수행하고 있다. 예를 들어, 포털사이트에서 사용자의 검색어에 적합한 정보를 제공할 수 있는 것은 개별 자료에 부여된 메타데이터 덕분이다. 이러한 맥락에서 메타데이터는 정보 접근성과 활용도를 제고하는 중요한 도구로 간주된다.

한편, 메타데이터는 표준의 부재, 형식 간 불일치, 수동 입력으로 인한 오류, 유지보수의 어려움 등 여러 문제점도 지니고 있다. 이를 해결하기 위해 최근에는 자연어처리(Natural Language Processing) 및 기계학습(Machine Learning) 기술을 활용하여 메타데이터를 자동으로 생성하고 관리하려는 시도가 활발히 이루어지고 있다. 이러한 기술적 진보는 메타데이터의 품질과 신뢰성을 향상시키는 데 기여하고 있다.

디지털 학습 환경의 확산은 방대한 교육용 콘텐츠의 생성으로 이어졌으며, 이에 따라 해당 콘텐츠를 체계적으로 관리하고 효율적으로 활용하기 위한 메타데이터의 중요성이 부각되고 있다. 특히 온라인 및 모바일 기반의 비대면 학습 환경이 보편화됨에 따라 교육용 메타데이터는 그 중요성이 더욱 강조되고 있다.

교육용 메타데이터는 콘텐츠에 대한 정보를 구조화함으로 학습자료의 검색과 재사용, 다양한 시스템 간 연계를 지원한다. 이러한 기능은 콘텐츠의 효과적인 활용과 더불어 학습자의 수준과 필요에 맞춘 맞춤형 학습 환경을 구현하는 데 기여한다.

다른 분야의 메타데이터와 달리 교육용 메타데이터는 교육 콘텐츠가 가진 고유한 복잡성과 다양성을 반영해야 한다는 특수성이 존재한다. 이는 학습자의 수준, 학습 목표, 교수·학습 방법, 교육과정과의 연계성 등 다양한 교육적 변인을 포괄해야 하기 때문이다. 따라서 일반적인 메타데이터 표준이나 가이드라인만으로는 교육적 맥락을 충분히 기술하기 어렵고, 교육 분야에 특화된 설계 원칙이 요구된다.

이러한 필요에 대응하기 위해 한국교육학술정보원은 ‘교육용 콘텐츠 메타데이터 가이드라인’을 제시하였다[6]. 해당 가이드라인은 교육 콘텐츠의 메타데이터를 콘텐츠 영역과 분류체계 영역으로 이원화하여 구성하였다. 콘텐츠 영역은 콘텐츠 자체의 속성을 기술하는 반면, 분류체계 영역은 국가 교육과정에 따라 콘텐츠를 분류하는 구조를 제공한다. 이와 같은 구조는 교육과정의 개정에 따라 유연하게 콘텐츠를 재분류할 수 있는 체계를 제공하며, 공공기관뿐만 아니라 민간 부문의 통합 플랫폼에도 적용이 가능하도록 설계되었다.

또한, 교육용 메타데이터는 학습자의 선호나 성향에 따른 콘텐츠 추천, 다양한 플랫폼 간 콘텐츠 통합 검색, 그리고 사용자 맞춤형 학습 경로 제시 등 다양한 방식으로 활용된다[7]. 특히, SCORM(Sharable Content Object Reference Model)과 같은 국제 표준의 활용은 다양한 플랫폼에서 동일한 콘텐츠를 중복 개발하는 비효율성을 해소하고, 교육 콘텐츠의 공유를 활성화하는 데 기여하고 있다.

결과적으로, 교육용 메타데이터는 단순한 정보의 기술을 넘어서 디지털 교육 환경의 질적 향상과 지속 가능한 교육 생태계 구축을 위한 전략적 도구로 기능하고 있다.

• IEEE(Learning Object Metadata)

IEEE LOM(Sharable Content Object Reference Model)은 2002년 IEEE(Institute of Electrical and Electronics Engineers)에서 제정한 교육용 메타데이터 국제 표준으로 다양한 학습자료에 정보 태그를 부여하여 콘텐츠를 체계적으로 정리하고, 학습자가 필요한 자료를 보다 쉽게 검색하고 활용할 수 있도록 설계되었다.

이 표준은 총 9개의 범주(일반, 생명주기, 메타-메타데이터, 기술, 교육, 권리, 관계, 주석, 분류)로 구성되며, 교육적 맥락을 기술하는 세부 범주(interactivity type, learning time 등)도 포함되어 있다. 이로써 교육자료의 내용뿐 아니라 학습 방법 및 활용 환경까지 기술 가능하다는 특징이 있다.

LOM의 강점은 다음 세 가지로 요약된다. 첫째, 교육 콘텐츠에 특화된 구조로 학습자료의 정밀한 설명이 가능하다. 둘째, 표준화된 구조를 통해 플랫폼 간 재사용과 통합이 용이하다. 셋째, 다양한 이러닝 시스템(예: Blackboard, Canvas 등)에서 폭넓게 활용되며 개인화된 학습 환경 구현에도 기여한다.

• DCMI(Dublin Core Metadata Initiative)

DCMI는 1995년 미국에서 개발된 범용 메타데이터 표준으로 디지털 및 물리적 자원의 간단한 기술과 검색을 위한 핵심 요소 체계를 제시한다. 교육 분야에서도 널리 활용되며 특히 간결성과 범용성 측면에서 강점을 가진다.

DCMI는 15개의 기본 요소(title, creator, subject 등)로 구성되어 있으며, JSON, XML, UML 등 다양한 기술 포맷과 호환되어 상호운용성을 강화한다. 또한, 확장 가능한 구조(properties, classes, encoding schemes 등)를 갖추고 있어 다양한 플랫폼에서 유연하게 적용될 수 있다.

특히 간단한 구조 덕분에 소규모 교육 플랫폼이나 개별 교육기관에서도 손쉽게 활용할 수 있는 장점을 지닌다.

• KEM(Korea Educational Metadata)

KEM은 한국교육학술정보원(KERIS)에서 개발한 교육 메타데이터 표준으로, 국내 교육 정보의 통합적 관리와 공유, 재사용 촉진을 목표로 한다[8]. 2004년에는 국가 표준(KS X 7001)으로 채택되었으며, 초·중·고등 교육 분야에서 폭넓게 활용되고 있다.

KEM은 국제 표준인 Dublin Core의 15개 기본 요소를 기반으로 하면서 교육적 요구에 맞춰 9개의 범주(General, Life Cycle, Meta-Metadata, Technical, Educational, Rights, Relation, Annotation, Classification)로 세분화된 구조를 가지고 있다. 이러한 구조는 학습자료의 효과적인 검색, 분류, 재사용을 용이하게 하는 데 중점을 두고 있다.

특히 초기 버전이 주로 초·중등 교육 중심으로 설계되었기 때문에, 이후에는 고등교육 등 다양한 교육 환경에서의 활용성을 높이고, 저작권 정보를 보다 반영하기 위한 확장 작업이 이루어졌다. 이러한 개정을 통해 최신 버전은 9개 범주에 걸쳐 100개 이상의 세부 요소로 구성되며, 보다 다양한 메타데이터 요소를 포함할 수 있도록 구조가 확장되었다.

• 한국어 교육 콘텐츠 사례: 세종학당 모델

KEM을 기반으로 한 한국어 교육용 메타데이터 설계 사례도 존재한다. 이현주와 조태린은 한국어 교육 자료에 특화된 메타데이터 표준화를 제안하였고[9], 김호정 외는 누리-세종학당의 콘텐츠 분류 체계와 메타데이터 설계를 통해 자료의 검색성과 활용도를 높이기 위한 방안을 제시하였다[10].

김호정 외의 연구는 교원용과 학습자용 자료를 구분하여 분석하고, 사용자의 편의성과 콘텐츠 접근성을 고려한 메타데이터 체계를 구축하였다. 이 체계는 크게 네 가지 범주(일반, 기술, 저작권, 분류)로 구성하며 사용자 관점을 반영한 분류 기준과 메타데이터 요소를 제안하였다.

이러한 요소들은 한국어 교육자료의 체계적인 분류와 검색 기능을 강화하고, 콘텐츠 재활용성과 학습자 맞춤형 교육 설계에 기여한다.

이상에서 살펴본 바와 같이, 국내외 교육 메타데이터는 일정 수준의 정합성과 구조를 갖추고 있으며, 다양한 교육 환경에서 일정한 성과를 보여왔다. 그러나 실제 교육 현장 적용 과정에서는 복잡성과 단순성, 확장성 부족, 도메인 특수성 반영의 한계 등이 지속적으로 지적되고 있다[9],[10]. 또한 본 연구의 조사 결과에서도 이러한 제약이 확인되었다[3]. 특히, 한국어 교육자료와 같이 언어적·문화적 맥락이 중요한 분야에서는 이러한 제약이 보다 두드러지며, 이에 대한 구조적 보완과 기술적 개선이 요구된다.

세종학당의 교육자료는 크게 정규 교재, 보조 학습자료, 모바일 학습 앱으로 구분된다. 정규 교재는 주로 한국어와 한국 문화를 중심으로 구성되어 있으며, 온라인 플랫폼 ‘누리 세종학당’을 통해 e-Book, PDF, 음성 파일 등의 형태로 제공된다. 이 교재들은 학습자와 교원을 동시에 지원하기 위한 이중 목적형 자료로 설계되어 있으며, 초급에서 고급에 이르기까지 다양한 수준을 포괄한다.

보조 학습자료는 주로 정규 교재와 연계되어 있으며, 어휘, 문법, 말하기, 듣기 등 언어 기능 중심의 학습을 지원한다. 자료의 형식은 사전, 동영상, 이미지, 강의용 PPT 등으로 다양화되어 있으며, 이들 자료는 대부분 초급 수준의 학습자에게 초점을 맞추고 있다. 이러한 경향은 한국어를 처음 접하는 비한국어권 학습자의 비중이 높은 국제 교육 현장의 특성과도 연관되어 있는 것으로 보인다.

모바일 학습 앱은 세종학당의 학습 콘텐츠 활용도를 높이고, 다양한 학습자의 접근성을 제고하는 데 기여하고 있다. 현재 운영 중인 앱은 어휘, 문법, 말하기, 여행, 비즈니스 목적 등 다양한 학습 목표를 반영하고 있으며, 일부 앱에서는 인공지능(AI) 기반 발음 분석, 증강현실(AR), 음성 인식 기술 등이 적용되어 있다. 특히, ‘세종학당 시사 한국어’ 앱은 고급 학습자를 위한 콘텐츠 개발의 초기 사례로 볼 수 있으나, 고급 수준 학습 자료는 여전히 제한적인 실정이다.

세종학당은 현재 ‘누리 세종학당’, ‘온라인 세종학당’, ‘메타버스 세종학당’, ‘손안의 세종학당’ 등의 플랫폼을 운영하고 있으며, 각 플랫폼은 자료 접근 방식과 기술적 기반에서 상이한 특성을 보인다.

‘누리 세종학당’은 한국어 학습과 한국 문화 이해를 위한 포털형 콘텐츠 제공 플랫폼으로, 한국어 교재, 문화 영상, 웹툰, 음원 등 다양한 형식의 자료를 제공하고 있다. 이러한 자료는 학습, 교육, 문화, 참여라는 네 가지 카테고리로 분류되어 있으며, 시각장애인을 위한 음성 지원 서비스와 말하기·쓰기 게시판, 이벤트 등의 참여 기능을 통해 포용적이고 상호작용적인 학습 환경을 조성하고 있다. 그러나 현재 콘텐츠 검색 필터가 세분화되어 있지 않고, 사용자 활동 기반의 추천 시스템이나 메타데이터 활용이 부족하여 개인 맞춤형 학습 지원에는 한계가 있다.

‘온라인 세종학당’은 전 세계 한국어 학습자를 대상으로 다양한 수준의 학습 콘텐츠를 제공하는 온라인 플랫폼으로, 자가 학습이 가능한 MOOC 형태의 고화질 강의와 실시간 화상 수업을 병행하고 있다. 학습자는 LMS를 통해 학습 진도와 성취도를 점검할 수 있으며, 시각장애인을 위한 음성지원(TTS) 서비스와 원격지원 기능도 제공되고 있다. 그러나 국내 서버 기반 운영으로 인해 국가별 인터넷 환경에 따른 접근성 차이가 발생할 수 있고, 비대면 학습 환경의 특성상 학습자 간 상호작용이 제한된다는 점이 한계로 지적된다. 이에 따라 세종학당은 학습 효과 향상을 위한 콘텐츠 분석과 시스템 개선을 지속적으로 추진하고 있다.

‘메타버스 세종학당’은 젭(ZEP) 플랫폼을 기반으로 한 2D 그래픽 환경의 가상 학습 공간으로 정보기술 인프라가 제한적인 지역의 학습자들도 접근 가능하도록 설계되었다. 학습자들은 아바타를 통해 강의에 참여하고, 강의동·문화체험동·행사동 등 다양한 공간에서 한국어와 문화를 실시간으로 체험하며 상호작용할 수 있다. 말하기 중심의 다양한 과정이 운영되며, 상주 도우미 및 AI 챗봇을 통한 지원 서비스도 제공된다. 그러나 학습 후 제공되는 퀴즈 외에 개별 학습자의 진도 추적, 성취도 분석, 학습 피드백 기능은 미흡하며, 그룹 활동은 있으나 개별 성과 측정에 대한 체계적 장치가 부족하다는 점에서 학습 효과에 대한 정량적 검증이 어려운 한계가 있다.

‘손안의 세종학당’은 세종학당의 기본 교육과정을 기반으로 개발된 모바일 통합 학습 앱으로, 어휘·문법·회화 학습을 하나의 플랫폼 내에서 제공하여 사용자 편의성을 높였다. 음성 인식 기술을 활용해 말하기 연습 시 유창성, 강세, 명료성, 속도, 정확성 등의 항목에 대해 실시간 피드백을 제공하며, 학습자의 발음 교정과 자기주도 학습을 지원한다. 또한, 학습 기록 확인, 북마크 기능 등을 통해 개별 학습 현황 관리와 반복 학습이 가능하다. 그러나 현재는 타 플랫폼(LMS, 웹 포털 등)과의 학습 이력 연동이나 통합 관리 기능이 부재하여, 학습자의 장기적 학습 흐름을 종합적으로 파악하거나 연계 교육자료를 활용하기에는 한계가 있다.

본 연구에서 분석한 한국어 교육자료 및 학습 플랫폼의 활용 실태에 따르면, 콘텐츠의 질적 수준은 높은 편이나 플랫폼 간 연계성이 부족하여 학습자의 활용도에 제한이 있는 것으로 나타났다. 예를 들어, 온라인 세종학당과 손안의 세종학당은 동일 기관에서 운영됨에도 불구하고 수강 강좌 및 학습 이력이 연동되지 않아 학습 진도를 이중으로 관리해야 하는 비효율이 존재한다. 이러한 문제는 향후 메타데이터 기반 통합 학습관리시스템(LMS) 구축의 필요성을 시사한다. 이를 통해 플랫폼 간 정보 연동, 콘텐츠 공유, 학습 이력 통합이 가능해져 사용자 경험의 일관성과 효율성을 제고할 수 있을 것이다.

또한, 누리 세종학당의 경우 검색 기능의 세분화 부족으로 인해 교육자료 접근성이 낮은 문제가 발견되었다. 이는 콘텐츠 유형(영상, 음원 등)과 학습자 수준을 기준으로 한 고도화된 검색 필터 및 AI 기반 추천 시스템의 도입 필요성을 보여준다. 나아가 기존 미디어 콘텐츠와 AI·AR 기반 학습자료를 연계한 디지털 융합형 교육자료 개발이 요구된다.

더불어 학습자의 활동 데이터를 축적하고 AI 분석을 통해 개인별 성취도, 학습 패턴, 선호 콘텐츠 등을 파악하는 데이터 기반 맞춤형 학습 시스템의 도입이 필요하다. 이는 단순한 콘텐츠 제공을 넘어 한국어 학습의 개인화와 효율화를 실현할 수 있는 핵심 전략으로 평가된다.

따라서 향후에는 플랫폼 간 통합성과 콘텐츠의 접근성, 맞춤형 피드백 기능을 종합적으로 강화하는 방향으로 디지털 기반 한국어 교육의 전략이 재정립되어야 한다.

세종학당 한국어 교재 메타데이터는 기존 교육자료 메타데이터와 차별화되는 세 가지 주요 특성을 내포한다. 첫째, 자료의 위계화이다. 세종학당의 개별 교재는 다양한 주제와 기능적 요소를 포함하고 있으며, 서로 유기적으로 연결되어 있어 전체적인 자료 구조의 위계성이 요구된다. 이에 따라 메타데이터 역시 이러한 구조적 연계를 반영할 수 있는 계층적 설계가 필요하다. 둘째, 다양한 자료 형식이다. 세종학당 교재는 텍스트, 이미지, 오디오, 비디오 등 다형식 자료로 구성되어 있으며, 이를 효과적으로 메타데이터화하기 위해서는 다양한 형식을 포괄하고 처리 가능한 유연한 스키마 구조가 요구된다. 셋째, 확장성이다. 세종학당 메타데이터는 단순한 정보 검색을 위한 도구에 그치지 않고, 향후 AI 기반 통합 학습 시스템(i-세종학당)과 지능형 튜터링 시스템(ITS)의 구현까지를 포괄할 수 있도록 설계되어야 한다. 이는 기존 메타데이터 구성 요소의 틀을 넘어 차세대 학습 환경에서 요구되는 새로운 역할과 기능을 수행할 수 있도록 그 활용 범위를 재정립할 필요가 있음을 시사한다.

이러한 필요에 대응하여, 본 연구는 기존 메타데이터 표준을 기반으로 하되, 세종학당의 교육적 특성과 기술적 요구를 반영한 독자적인 프레임워크를 제안하였다. 제안된 프레임워크는 자료의 체계적인 관리 및 효율적인 검색을 지원함과 동시에, AI 튜터링과 같은 지능형 시스템과의 연계를 고려한 메타데이터 설계 방식으로 정의될 수 있다.

지능형 튜터링 시스템(Intelligent Tutoring System, 이하 ITS)은 기술을 활용하여 학습자의 개별적인 수준과 역량을 파악하고, 실시간으로 학습 경로를 조정하며, 학습자 맞춤형 콘텐츠와 피드백을 제공하는 교수학습 시스템이다[11]. ITS는 개별화된 학습을 제공하기 위해 학습자의 이상적인 심리적·인지적 상태를 모델로 구현한 컴퓨터 프로그램으로 개발된 이후 다양한 교과 영역에서 널리 활용되어 왔다[12]. 학습자는 ITS를 통해 교과 내용을 습득할 뿐만 아니라, 자신의 이해 상태를 점검하고 학습 전략을 조절하는 메타인지 능력 또한 향상시킬 수 있다. 이러한 교육적 효과를 실현하기 위한 ITS의 구조는 도메인 모델(Domain model), 학습자 모델(Learner model), 교수 모델(Teaching model), AI 상호작용 모델(AI interaction model)로 구성되며, 각 모델은 ITS 내에서 핵심적인 기능을 수행한다.

Fig. 1.

Components of an ITS

세종학당의 메타데이터 구조 설계에 ITS 개념을 적용함으로써, 단순한 정보의 분류와 기술을 넘어 개별 학습자 중심의 메타데이터 체계가 가능해진다. 도메인 모델은 이상적인 학습자가 습득해야 할 개념 지식, 사실 지식, 그리고 이를 활용하는 절차적 지식을 포함하는 구조로, 세종한국어평가(SKA)의 1~6등급별 교육 내용을 기반으로 구성된다. 예를 들어, SKA 3급 수준의 학습자를 위해 ITS를 활용할 경우, 도메인 모델에 저장된 해당 수준의 한국어 표현과 문화적 지식이 학습 콘텐츠로 인출된다.

학습자 모델은 학습자의 특성과 학습 과정에서 수집된 데이터를 저장하는 구성 요소로, 학습자의 국적, 학습 목적, 학습 스타일, 선행 지식 수준 등 다양한 정보를 포함한다. ITS는 문제 해결 과정에서의 반응 데이터를 축적하여 학습자의 이해 수준과 학습 목적에 대한 정보를 지속적으로 갱신하며, 이전 학습 단계에서의 이력 또한 반영된다. 예를 들어, <세종한국어 6>을 학습하는 과정에서 ITS는 학습자의 현재 수준, 문제 해결 경로, 학습 목적 등을 학습자 모델에 기록함으로써 개인화된 학습 경로를 제공할 수 있다.

교수 모델은 도메인 모델에 저장된 학습 내용과 학습자 모델에 축적된 학습자의 특성 정보를 바탕으로, 학습자에게 적합한 교수 전략과 교수학습 방법을 결정하는 역할을 한다. 예를 들어, 온라인 세종학당에서 초급 수준의 학습자가 한국어 어휘를 학습할 경우, 교수 모델은 해당 학습자에게 강의형, 과정형, 자기 주도형 중 어떤 학습 방식이 가장 적합한지를 판단한다. 따라서 이 모델에는 한국어 교육에 특화된 다양한 교수 전략과 방법이 체계화되어 있어야 한다.

상호작용 모델은 학습자와 시스템 간의 상호작용을 조절하고 유지함으로써, ITS가 개별화된 학습 경로를 지속적으로 제공할 수 있도록 한다. 이 모델은 학습자의 데이터를 실시간으로 수집·분석하고, 앞선 세 가지 모델(도메인, 학습자, 교수 모델)에서 도출된 정보를 바탕으로 최적의 학습 경로를 학습자에게 전달하는 기능을 수행한다. 즉, 상호작용 모델은 ITS 내 다양한 모델 간 연계를 조율하고, 궁극적으로는 학습자에게 일대일 튜터링과 유사한 학습 경험을 제공하는 핵심 요소이다.

다만, 본 연구에서는 메타데이터의 정적 구조적 특성에 초점을 두고 있어, 실시간 상호작용을 기반으로 작동하는 상호작용 모델은 메타데이터 설계 범위에서 제외하였다. 상호작용 모델은 향후 AI 기반 튜터링 시스템의 시스템 설계 및 구현 단계에서 다루어지는 것이 보다 적절하다고 판단된다.

세종학당 교육자료 메타데이터 구조는 총 네 개의 위계적 계층으로 구성되며, 상위에서 하위로는 General, 도메인 모델, 학습자 모델, 교수 모델의 순서를 따른다. 이 구조는 ITS의 핵심 모델을 기반으로 하면서, 각 계층이 독립적으로 기능하면서도 상호 연계되어 학습자의 특성과 요구에 따라 교육 콘텐츠를 분류하고, 최종적으로 개인화된 학습자료를 제공하는 방식으로 작동한다.

Fig. 2.

Metadata structure of the King Sejong institute

가장 상위 계층인 General은 콘텐츠 고유 식별자(ID), 제목, 파일 형식, 생성 일자 등의 메타 정보를 포함하며, 모든 콘텐츠 데이터의 기반 단위로 작동한다. 이를 통해 콘텐츠의 효율적인 검색, 분류, 통합적 관리가 가능하다.

도메인 모델은 교육 콘텐츠의 내용적 특성을 관리하는 계층으로, 한국어 교육에 필요한 개념, 사실, 규칙 등을 체계적으로 저장한다. 특히 topic_level, function_level과 같은 구조를 통해 학습자의 주제나 기능별 요구에 맞춘 콘텐츠 분류를 가능하게 한다. 이처럼 정교하게 구조화된 정보는 AI 기반 시스템에서 콘텐츠를 정확히 분석하고 분류할 수 있도록 지원한다.

학습자 모델은 학습자의 교육 수준, 선행 지식 수준 등의 정보를 반영하여 콘텐츠 개인화 기준을 제공하는 계층이다. 이 계층은 학습자의 유형에 적합한 콘텐츠를 추천하기 위해 학습 예상 소요 시간, 기대 학습 성과 등의 요소를 메타데이터로 포함하며, 예측 가능한 학습 경로 설정에 기여한다.

교수 모델은 자율 학습, 협동 학습, 강의형 수업 등의 교수 전략을 메타데이터에 포함한다. 또한 콘텐츠에 적합한 평가 방식과 교수법을 정의함으로써, 학습자에게 가장 효과적인 학습 경험을 제공할 수 있도록 설계된다.

이와 같은 메타데이터 구조는 단순한 정보 저장을 넘어 ITS 기반 학습 시스템에서 콘텐츠를 정적이고 체계적으로 조직화하는 동시에 AI 기반 개인화 학습 기능과의 연계를 위한 설계 기반을 제공한다. 결과적으로, 세종학당 메타데이터 설계는 위계적 분류체계와 ITS 모델의 통합을 통해 콘텐츠의 검색, 추천, 확장, 개인화 활용을 모두 충족시키는 메타데이터 활용 가이드라인으로 기능할 수 있다.

이와 같이 본 연구의 가이드라인은 각 계층별 항목을 구체적으로 정의함으로써 실제 활용 가능성을 확보하였다. 예컨대, General 계층은 ID, 제목, 언어 등 기본 속성을 포함하고, 도메인 모델은 topic_level, function_level 등 한국어 교육 특화 항목을 제시한다. 학습자 모델은 proficiency_level, 예상 학습 시간 등의 정보를 포함하며, 교수 모델은 teaching_method와 assessment_method를 통해 교수 전략을 지원한다.

본 연구의 메타데이터 구조 설계는 ITS 기반 위계를 중심으로 하되, 국제 표준 메타데이터 체계인 LOM의 일반(General), 교육(Educational), 기술(Technical) 범주를 참고하여 난이도, 학습 시간, 파일 형식 등 관리에 필수적인 요소를 보완하였다.

이러한 설계 원칙을 토대로 세종학당 교육자료의 메타데이터의 활용 방안은 단순한 콘텐츠 분류를 넘어 지능형 학습 시스템과의 연계를 염두에 둔 단계별 구축 전략으로 구체화하였다. 세종학당의 메타데이터 가이드라인 설계는 총 4단계로 구성된 체계적 절차를 기반으로 계획되었으며, 본 연구에서는 그중 1단계를 수행하였다. 그 핵심은 메타데이터 가이드라인의 체계적 설계와 기초 인프라 구축에 있다.

Fig. 3.

Application strategies of metadata by utilization phase

1단계는 메타데이터 가이드라인 설계 및 구축 단계로, 세종학당 교육자료의 체계적인 관리와 활용을 목표로 하여 메타데이터 구조를 정의하였다. 이 단계에서는 교육 콘텐츠의 검색, 분류, 연계성을 강화하고, 한국어 교육의 특성을 반영한 메타데이터 범주와 계층 구조를 수립함으로써, 향후 학습자 맞춤형 추천 시스템 및 AI 기반 플랫폼과의 통합 가능성을 고려한 기반을 마련하였다.

2단계는 메타데이터 코딩 및 자료화 단계로서, 1단계에서 개발된 가이드라인에 따라 교육자료에 메타데이터 항목을 적용하고, 이를 표준화된 프로세스를 기반으로 코드화하는 작업을 포함한다. 이 단계에서는 교육자료에 대한 정교한 데이터 처리와 코드화가 이루어지며, 이를 통해 메타데이터가 세종학당의 실제 교육 콘텐츠와 밀접하게 연계될 수 있도록 한다.

3단계는 통합 데이터베이스 구축 및 플랫폼 연계 단계로, 구축된 메타데이터를 기반으로 데이터베이스를 구성하고, 이를 학습 플랫폼과 API를 통해 연동하는 작업을 포함한다. 이 단계에서는 메타데이터를 활용하여 학습자 맞춤형 콘텐츠 제공과 학습 성과 추적이 가능하도록 설계하며, 이를 통해 다양한 학습 환경에서 메타데이터가 실질적으로 작동할 수 있는 기반을 마련한다.

4단계는 AI 기반 ‘i-세종학당’의 설계 및 개발 단계로, AI 기술을 활용하여 세종학당의 학습 콘텐츠와 플랫폼을 통합하고, 학습자 맞춤형 콘텐츠 추천, 학습 경로 설계, 학습 성과 평가가 가능하도록 시스템을 구현하는 것을 목표로 한다. 이 단계에서는 사용자 친화적인 프런트엔드 및 백엔드를 포함한 플랫폼 전반을 AI 기반으로 설계·개발하며, 이를 통해 추후 지능형 학습 환경을 실현하고자 한다.

이와 같은 4단계 로드맵은 세종학당 메타데이터 가이드라인을 기반으로 교육 콘텐츠의 체계적 관리와 활용을 넘어서 AI 기반 학습 환경에서의 혁신적 적용까지 포괄하는 기술적·교육적 통합 모델로 작동할 수 있다. 본 연구의 각 단계는 ‘i-세종학당’의 실현이라는 최종 목표를 향해 유기적으로 연계되며, 특히 1단계에서 수립된 가이드라인은 이후 단계의 실행 가능성을 높이는 기초 자료로 활용된다. 이러한 통합적 접근은 향후 학습자 맞춤형 콘텐츠 제공을 가능하게 하며, 한국어 교육에서 세종학당이 선도적 역할을 수행하는 데 기여할 것으로 기대된다.

세종학당 메타데이터는 ITS의 세 가지 핵심 모델(도메인 모델, 학습자 모델, 교수 모델)과 General 계층을 기반으로 구성되며, 콘텐츠 추천 시스템과 연계 가능한 작동 구조를 갖는다. 다음은 가상의 학습자 ‘세종이’가 ‘날씨’라는 주제로 교육 콘텐츠를 검색하고 추천받는 과정의 예시를 통해 메타데이터의 추천 구조를 설명한 것이다.

첫째, General 모델은 사용자가 입력한 키워드(예: ‘날씨’)와 콘텐츠의 제목, 설명, 언어, 유형 등의 일반 정보를 매칭하여 1차 필터링을 수행한다. 이 단계에서는 사용자가 요청한 콘텐츠 유형(예: 이미지, 영상 등)에 따라 자료가 선별되며, 관련성이 낮은 항목은 제외된다.

Fig. 4.

Process of personalized educational content recommendation*Korean is included to represent actual content recommendations

둘째, 도메인 모델에서는 ‘날씨’라는 키워드를 기반으로 콘텐츠의 상위 개념(예: 기후)과 기능적 학습 목표(예: 정보 요청, 묘사하기 등)를 분석하여, 교육적 맥락에 부합하는 자료가 추가적으로 선별된다. 이를 통해 교육 목적에 맞는 콘텐츠 분류가 가능해진다.

셋째, 학습자 모델은 학습자의 수준(예: 초급 1, iSKA 2급), 선행 학습 이력, 학습 목적 등의 데이터를 반영하여, 학습자에게 가장 적합한 난이도와 콘텐츠 유형을 결정한다. 이 과정에서 메타데이터는 학습자의 특성에 맞는 콘텐츠를 자동적으로 추천하는 기능을 수행한다.

넷째, 교수 모델은 해당 콘텐츠에 적합한 교수학습 전략을 판단한다. 예를 들어, ‘세종이’가 자율적 학습에 적합한 학습 스타일을 보일 경우, 교수 모델은 혼합형 또는 자기주도형 교수법을 우선 추천하며, 학습 완료 후 평가 방식(예: 퀴즈 제공)도 함께 설정된다.

이와 같이 세종학당 메타데이터는 각 계층별 메타데이터를 통합적으로 활용하여, 학습자의 요청에 부합하는 콘텐츠를 교육적·기술적으로 정교하게 추천할 수 있다. 이러한 구조는 메타데이터가 단순한 콘텐츠 기술 수단을 넘어 ITS 기반의 지능형 추천 시스템의 핵심 인프라로 작동할 수 있음을 보여준다.

세종학당 교육자료의 메타데이터는 JSON 파일 형식으로 구현되었다. JSON은 사람이 읽기 쉬우면서도 컴퓨터 처리에 적합한 데이터 구조로, 교육자료의 체계적 관리와 다양한 플랫폼 간 연동에 효과적이다. 본 연구에서는 앞서 제시한 ITS 기반 메타데이터 구조(General, 도메인 모델, 학습자 모델, 교수 모델)를 JSON 형식에 반영하여, 각 교육자료의 기본 정보, 학습 내용, 이미지, 학습자 수준, 교수 전략 등을 체계적으로 저장하였다. 이를 통해 콘텐츠를 쉽게 분류·검색할 수 있으며, 학습자에게 맞춤형 콘텐츠를 제공할 수 있는 기반을 마련하였다. 코드 구현 예시는 다음과 같다.

가장 상위 계층인 General은 콘텐츠의 기본 정보를 포함하며, 콘텐츠의 고유 식별자(ID), 단원 정보(예: c001), 제작자(세종학당), 사용 언어(한국어), 생성일(2024년 12월 4일), 파일 형식(JPEG 등), 파일 크기(예: 2.5MB), 구조 유형(계층적 구조), 메타데이터 버전 정보(1.0) 등이 저장된다.

도메인 모델은 콘텐츠의 학습 주제, 기능, 언어 영역, 교육 목적 등을 체계적으로 분류한다. 이 외에도 자가학습형과 같은 교육과정 유형, 주교재와 같은 자료 유형, 상호작용 수준(예: 비상호작용), 핵심 키워드(예: 실용한국어, 시간을 늦추다, 중급 등) 등도 포함된다.

학습자 모델에는 학습자의 한국어 능력 수준(예: 중급), iSKA 기준 레벨(예: 3급), 예상 학습 시간(예: 1시간 30분), 기대되는 학습 성과(예: 중급 어휘 이해 및 시간 표현 습득), 필요한 사전 지식(예: 중급 어휘 지식, 초급 문법 이해 등)과 같은 정보가 포함된다. 이를 통해 각 학습자에게 적합한 콘텐츠를 추천하는 데 활용된다.

교수 모델은 해당 콘텐츠에 적합한 교수 방식과 평가 방법을 제시한다. 예를 들어, 교수 방식으로는 자기주도학습이 설정될 수 있으며, 평가 방식은 단어 퀴즈 형태로 구성될 수 있다. 이 정보는 학습자의 학습 성향과 콘텐츠 특성을 고려한 맞춤형 교수 전략 수립에 기여한다.

이와 같이 JSON 형식으로 구성된 세종학당 메타데이터는 학습자의 수준, 주제 관심도, 학습 시간 등의 요소를 기반으로 교육자료를 정교하게 분류하고 추천할 수 있으며, 향후 AI 기반 콘텐츠 추천 시스템 및 학습 경로 자동화 설계에 활용될 수 있는 기초 데이터를 제공한다.

Fig. 5.

Example code from the King Sejong institute metadata guidelines*Korean is used in the figure to show real examples from the King Sejong Institute’s metadata guidelines.

이상의 메타데이터 구조는 실제 세종학당 통합 학습 플랫폼에서 활용될 수 있도록 설계되었다. 학습자의 수준과 학습 상태를 반영하여 적합한 자료를 제시하기 위해서는 교육자료의 체계적인 메타데이터화가 선행되어야 한다. 특히 ‘난이도’, ‘학습 주제’, ‘학습 활동’과 같은 항목은 세종학당 교육과정과 연계된 분류 체계를 기반으로 체계화될 필요가 있으며, 이를 통해 분산된 자료를 통합적으로 관리하고 학습자의 요구에 맞는 콘텐츠를 제공할 수 있다. 이와 같이 본 연구의 메타데이터 구조는 콘텐츠 관리의 효율성을 높이는 동시에 통합 플랫폼 구축과 AI 기반 학습 지원 실현을 위한 기초 인프라로 기능할 수 있다.

앞선 메타데이터 구조 설계 및 적용 방안을 바탕으로 세종학당 메타데이터 가이드라인은 기존의 교육용 메타데이터 체계와 비교할 때 구조적 구성과 교육적 목적 측면에서 다음 세 가지 차별적 특성을 가진다.

첫째, ITS 기반의 계층 구조를 명확히 구현함으로써 AI 학습 플랫폼과의 연계 가능성을 극대화하였다. 세종학당 메타데이터는 ITS의 핵심 구성 요소인 학습자 모델, 도메인 모델, 교수 모델을 기반으로 범주를 정의하고, 이를 명확한 계층 구조로 구조화하였다. 이러한 구조는 향후 AI 기반 맞춤형 학습 플랫폼(i-세종학당) 개발 시, 콘텐츠 데이터가 해당 구조에 맞춰 설계되어 있기 때문에 AI가 각 계층에서 필요한 정보를 보다 빠르고 효율적으로 추출할 수 있는 환경을 제공한다. 예를 들어, 학습자가 특정 문법 항목을 학습하고자 할 경우, 학습자 모델의 수준 정보, 도메인 모델의 문법 항목, 교수 모델의 교수법 정보가 유기적으로 작동하여, 해당 학습자에게 가장 적합한 콘텐츠를 자동으로 추천할 수 있다. 이는 개별 학습자의 경로 설계를 가능하게 하며, 학습 효율을 극대화하는 데 기여한다.

둘째, 세종학당의 교육자료와 한국어 교육의 언어적·문화적 특성을 충실히 반영하였다. 기존 메타데이터가 단순한 검색과 분류 중심이었다면, 세종학당 메타데이터는 교육자료의 난이도, iSKA 기준, 기능별 학습 목표 등을 포함해 세종학당의 고유한 교육 체계를 반영하였다. 특히 한국어 교육의 특성을 고려하여, 문법 항목(예: ‘-으면’)에 대해 구체적인 사용 예문을 포함하도록 설계되었으며, 문화적 맥락까지 반영할 수 있도록 구성되었다. 또한, 국제 통용 한국어 교육 표준에서 발췌한 항목인 topic_level, function_level 등은 데이터의 신뢰성과 일관성을 높이는 역할을 한다. 이러한 요소들은 추후 AI 모델에 적용하면 보다 정밀한 학습 결과를 도출할 수 있도록 도울 수 있다.

셋째, 글로벌 학습 환경을 고려하여 경량화된 데이터 구조를 적용하였다. 세종학당은 다양한 국가의 학습자를 대상으로 하며, 일부 지역은 낮은 IT 인프라 환경을 가지고 있다. 이를 고려하여 본 메타데이터는 모델별 위계를 지정하고, 불필요한 중복 정보나 복잡한 데이터 구조는 최소화하여 경량화된 형태로 설계되었다. 이러한 설계는 데이터 처리 속도와 시스템 안정성을 동시에 확보하며, 학습자의 접속 환경에 관계 없이 메타데이터 기반 콘텐츠 추천과 학습 경로 제시가 원활히 이루어질 수 있도록 한다.

이와 같은 구조적 특성과 설계 원칙은 세종학당 메타데이터가 단순한 콘텐츠 관리 수단을 넘어 AI 기반 학습자 맞춤형 시스템의 핵심 인프라로 기능할 수 있는 가능성을 보여준다. 특히 한국어 교육의 디지털 전환과 글로벌 확산을 위한 전략적 기반으로서, 실제적 교육 효과와 기술적 효율성을 동시에 확보할 수 있는 모델로 평가될 수 있다.