Current Issue

교수효능감(teaching efficacy)은 Bandura(1977)의 자아효능감 이론을 기반으로 하는데, 자아효능감은 자신이 어떤 일을 성공적으로 수행할 수 있다고 믿는 기대와 신념을 뜻한다[12]. 자아효능감 이론을 교사의 교육학적 역량을 결합한 것이 교수효능감이다. 즉, 교수효능감(teaching efficacy)은 교사가 교육을 수행하기 위해 가지고 있는 자기 자신에 대한 신념이나 기대를 뜻한다[13]. 어떤 수업을 할 때, 교사가 잘 할 수 있다고 믿는 정도를 의미하는 것이다. 예를 들어, 어떤 교사가 수학 교육을 잘 할 수 있다고 믿는 정도를 수학 교수효능감, 과학 교육을 잘 할 수 있다고 믿는 정도를 과학 교수효능감이라고 요약할 수 있다[14][15].

이소율과 이영준(2021)은 인공지능 교수효능감 검사도구인 AI-TEBI(artificial intelligence teaching efficacy belief instrument) 를 개발하면서 인공지능 교수효능감을 교사가 AI 교육을 수행하기 위해 가지고 있는 자기 자신에 대한 신념 정도인 것으로 정의했다[16]. 또한, 박희정 외(2021)은 정보(SWㆍAI) 교수효능감 측정도구를 개발하면서 이에 대한 정의를 정보(SW·AI) 교수 상황에서 교육목표를 달성하는데 필요한 행동을 계획‧조직‧수행하는 능력 전반에 대한 개별 교사의 기대 또는 믿음으로 나타내었다[17]. 종합하자면, AI 교수효능감이란 AI 교육을 수행하기 위해 가지고 있는 교사 스스로에 대한 신념 정도를 의미한다.

일반적으로 자아효능감이 높은 사람이 과제 수행을 성공적으로 할 가능성이 높은 것처럼, 교수효능감이 높은 교사는 교육에 긍정적인 효과를 나타낸다[13][18]. 따라서 AI 교수효능감이 높은 교사는 AI 교육을 효과적으로 수행할 수 있으리라 추론할 수 있다.

AI란 정보기술의 한 분야로 인간의 사고, 학습, 판단 등을 구현할 수 있는 시스템 등을 의미한다. AI의 범위에는 정교하게 잘 짜인 프로그램인 규칙기반 AI(rule-based AI)를 포함하여, 기계학습인 머신러닝(machine learning), 심층학습인 딥러닝(deep learning)이 포함된다[19]. 머신러닝이나 딥러닝은 인간의 학습과 비슷한 방식으로 컴퓨팅 시스템이 학습을 수행하고 결과를 나타낸다. 딥러닝은 인공신경망 기술을 활용하여 여러 계층의 입출력 알고리즘을 통해 데이터를 학습하여 언어 인식, 이미지 분석 등 고차원적이면서 직관적인 분야에 적용되고 있다[20]. 머신러닝은 레이블(label)에 따라 훈련 데이터를 입력하여 학습시키는 지도학습(supervised learning) 방식과 입력값에 대한 목표치가 주어지지 않는 비지도학습(unsupervised learning), 출력 결과에 따라 포상(reward) 등을 부여하는 강화학습(reinforcement learning) 등이 있다[21].

AI 교육을 위해 활용되는 것은 머신러닝이다. 머신러닝의 경우 알고리즘을 세부적으로 확인해 볼 수 있고, 수정 가능하며, 도출된 결과에 대한 해석이 가능하다. 따라서 AI의 원리와 개념을 이해할 수 있도록 돕는 머신러닝 교육 플랫폼이 다수 개발되어 있다. 예를 들면, 티처블머신(Teachable Machine), 퀵드로우(QuickDraw), 오토드로우(AutoDraw), 코랩(Colab) 등 구글(google)이 제공해주는 머신러닝 교육 플랫폼이 있고, 오렌지 데이터마이닝(Orange data mining)과 같은 데이터 분석 및 머신러닝 교육 프로그램, 그리고 우리나라의 엔트리(Entry) 데이터 분석 및 인공지능이 있다[22].

머신러닝포키즈(Machine Learning for Kids, ML4K)는 Dale Lane이 모든 사람을 위해 머신러닝 교육을 할 수 있도록 개발된 플랫폼이다. ML4K에서 사용할 수 있는 데이터 타입은 텍스트, 숫자, 이미지, 소리이며, 스크래치 2, 3과 파이썬, 앱인벤터를 프로그래밍 언어로 지원한다[23].

본 연구를 위한 머신러닝 교육 플랫폼 선정을 위하여 컴퓨터교육과 교수 1명, 박사 1명, 박사과정 2명이 논의하였다. 일반적으로 정보ㆍ컴퓨터 교육을 전공하는 예비교사 외에 대부분의 예비교사들은 프로그래밍 등 SW 교육관련하여 초보 수준의 역량을 가지고 있다[29]. 따라서 다양한 머신러닝 교육 플랫폼 중, 머신러닝의 개념과 원리를 명시적이고 직관적으로 충분히 학습할 수 있으면서도 프로그래밍 언어 습득에 대한 인지적 부담을 낮출 수 있고, 머신러닝 모델을 생성하여 적용하였을 때 오류가 적은 것이 고려되어야 한다고 합의하였다. 구글에서 제공해주는 플랫폼들 중 대부분은 체험 위주의 내용이거나 텍스트 기반의 프로그래밍을 해야 하는 것이기 때문에 배제하였다. 오렌지 데이터마이닝은 데이터 분석과 시각화와 빅데이터를 활용한 머신러닝에 적합한 교육 도구로 본 연구의 목적과 내용에 적합하지 않았으며, 한국어를 지원해 주지 않기 때문에 배제하였다.

최종적으로 엔트리와 ML4K 중, 머신러닝 모델의 활용과 프로그램 구현의 안정성을 우선하였을 때, 비교적 오류 없이 안정적으로 동작하고, 같은 훈련 데이터를 사용했을 때 평균적으로 더 좋은 성능을 나타내는 ML4K가 본 연구를 위한 교육 플랫폼으로 선정되었다.

융합 교육이란 두 가지 이상의 교과목을 융합하여 교육함으로써 학습자의 창의적 문제해결력을 증진 시켜 여러 가지 문제를 해결할 수 있는 역량을 함양하게 하는 것이다[25]. 우리나라의 융합 교육은 미국의 STEM(science, technology, engineering and mathematics) 교육을 기반으로 STEAM(science, technology, engineering, art and mathematics) 교육, 융합인재교육, 창의ㆍ융합교육 등으로 다양하게 불리고 있다[26]. 연구자나 관점에 따라 사용하는 용어는 다소 차이가 있을 수 있어 엄밀하게 구분하여 용어를 사용해야 하지만, 본 연구에서는 궁극적으로 2개 이상의 주제나 학문, 교과를 결합한다는 것에 초점을 두어 가장 일반적인 의미로써 ‘융합 교육(convergence education)’이라는 용어를 사용하기로 하였다.

예비교사를 위한 머신러닝 교육 플랫폼 활용 융합 교육과정을 개발하기 위해 활용한 교수체제 모형은 ADDIE 모형이다. ADDIE 모형은 가장 널리, 그리고 오랜 기간 사용되어왔다. Analyze, Design, Development, Implement, 그리고 Evaluation의 모든 과정은 그림 1과 같이 순차적으로도 진행될 수도 있고, 수시로 환류되고 수정될 수 있다[27].

Fig. 1. 
ADDIE Model[27]

ADDIE 모형에 따라 진행된 예비교사를 위한 AI 융합 교육과정의 개발 절차는 다음 표 1과 같다.

예비교사를 위한 ML4K 활용 융합 교육과정의 개발 내용은 표 2의 내용과 같다.

예비교사들은 1~8주에 걸쳐 스크래치3 프로그래밍 방법, ML4K의 탐색, 융합교육의 이해 등 기본적인 내용을 학습한다. 9~12주에서는 각각 화학, 사회, 생물, 국어에 초점을 둔 ML4K 활용 융합교육의 다양한 사례에 대하여 학습하고, 경험하게 된다. 13주에서는 예비교사들이 자신의 전공에서 ML4K를 활용한 융합교육 수업을 1~2차시 분량으로 개발할 수 있게 안내한다. 먼저, 수업 주제를 선정하기 위해서 자신의 전공에서 다루는 내용을 ML4K를 활용하여 해결하였을 때 효과적일 수 있는 것을 선택해 볼 수 있도록 한다. 다음으로 학습동기를 유발 할 수 있는 자료를 학생들에게 제시하되, 학습 주제와 밀접한 관련이 있을 수 있도록 안내한다.

예비교사들은 학생들이 학습 주제에서 제시된 문제를 체계적으로 해결할 수 있도록, 문제 해결을 위한 단계 나누기, 문제 해결을 위한 정보 수집, 문제 해결을 위한 프로그램 설계하기, 프로그램 만들기, 프로그램 평가하기의 과정을 기본으로 수업 내용을 구성할 수 있다. 14~15주에서는 개발한 수업의 시연과 상호 토론, 피드백, 수업 마무리로 구성되었다.

개발 내용에 대한 내용 타당도 검토 문항은 표 3에 제시했다.

내용 타당도 검증을 위하여 전문가검토에 참가한 전문가는 K대학 융합교육연구소 박사급 연구원 2명, 컴퓨터교육과 교수 1명, 컴퓨터교육과 박사과정 2명, 융합교육 관련 연구를 진행 중인 박사과정 2명과 박사 1명으로 총 8명으로 구성되었다. 내용 타당도 검토 문항은 이소율과 이영준(2021)이 수행한 문항[28]을 토대로 석사학위 이상의 현직 교사 3명과 박사급 연구원 1명이 협의로 재구성하였다.

각 문항은 매우 긍정 4점, 매우 부정을 1점으로 하는 4점 리커트 척도로 구성되었고, 전문가들의 검토 결과는I-CVI(Item Content Validity Index) 산출식을 통해 계산되었다[28]. I-CVI 산출식은 수식 (1)과 같다.

• n = number of experts scoring an item with a 3 or 4
• N = total number of expert

I-CVI 통계 결과는 표 4의 내용과 같다. 분석 결과 모든 문항에 있어 I-CVI 값이 .75 이상이므로[29], 본 연구에서 개발한 융합 교육과정은 모든 영역의 내용 타당도를 비롯하여 전체 내용 타당도를 통계적으로 입증하였다.

본 연구에서 개발된 융합 교육과정의 효과성 검증을 위하여 그림 2와 같은 실험 설계를 하였다.

Fig. 2. 
Design of Experiment

본 실험은 단일 집단을 대상으로 하는 실험이며, 처치의 사전, 사후에 각각 인공지능 교수효능감 검사도구인 AI-TEBI를 투입하여 통계적 차이를 살펴보았다.

실험 대상은 2021년 2학기 K대학교의 교양 강좌를 수강하는 예비교사 중 자발적으로 사전, 사후 검사에 참여한 22명이다. 실험 대상의 일반적인 배경은 표 5와 같다.

효과성 확인을 위해 투입된 검사 도구인 AI-TEBI는 이소율과 이영준(2021)이 개발한 것을 활용했다. AI-TEBI는 5개 영역으로 구성되어 있으며 전체 30문항으로 이루어져 있다[16]. AI-TEBI의 Cronbach α = .893으로 신뢰도가 높은 것으로 확인되었다[16]. 표 6은 AI-TEBI 구성의 상세 내용이다.

AI-TEBI의 변화를 통계 분석하기 위해 사용한 도구는 Microsoft Excel과 IBM SPSS 21이다. 본 연구의 실험 대상의 사전-사후 검사에 대한 t-검정 결과는 표 7과 같다.

사전에 비해 사후 검사의 평균값이 상승하였으며, 이러한 결과는 유의확률 .001에서 유의한 차이가 있는 것을 확인할 수 있었다.

구체적인 변화 내용에 대해 알아보기 위하여 각 영역에 대한 대응 표본 t-검정을 실시한 결과는 표 8와 같다.

모든 영역의 변화가 유의수준 .05 이하에서 통계적으로 유의했으며, 특히 AI 교육에 대한 개인 교수 효능인 PATE 영역이 가장 높은 변화를 나타내는 것을 확인할 수 있었다. 이는 본 연구에서 적용한 교육과정이 예비교사들이 AI 교육을 잘 할 수 있다고 믿는 정도를 높인 것으로 해석할 수 있다.

또한, AI에 대한 개념 인식인 AICC, AI 교육에 대한 결과 기대인 ATOE, AI가 사회에 미치는 영향에 대한 태도인 ATSE, AI와의 상호작용에 대한 인식인 IWAI에 대한 요소들도 모두 통계적으로 유의한 상승을 나타내었다.

따라서 본 연구에서 개발한 머신러닝 교육 플랫폼 기반의 융합 교육과정은 예비교사의 AI 교수효능감 향상에 긍정적인 영향을 미치는 것으로 확인할 수 있었다.

본 연구에 참여한 예비교사의 산출물 중, 긍정적 피드백이 가장 많았던 사례는 화학교육을 전공하는 예비교사가 개발한 ‘중화 적정 반응 계산 AI’였다.

중화 적정 반응 계산 AI 수업은 고등학교 2학년을 대상으로 2차시 분량으로 계획되었으며, 이와 관련된 2015 개정 교육과정 화학과의 성취기준은 ‘[12화학I 04-04] [12화학Ⅰ04-03] 산 ·염기 중화 반응을 이해하고, 산 ·염기 중화 반응에서의 양적 관계를 설명할 수 있다.’, ‘[12화학Ⅱ02-06] 이온화 상수를 이용하여 산과 염기의 세기를 이해하고, 염의 가수 분해를 설명할 수 있다.’이다.

이 수업은 주어진 분자를 특성에 따라 분류하고, 특정 농도와 부피에서 중화 적정을 진행하여 그래프로 나타내는 것을 중심 문제로 삼았다. 수업의 동기유발 및 해결해야 할 문제의 안내를 위하여, 먼저, 강산(strong acid)과 약산(weak acid)은 ‘산의 세기’로 구분되는 것이며, 여기에서 ‘세기’라는 것은 같은 농도에서 얼마나 많이 이온화되는지가 기준이라고 나타내었다.

그 후, 산 해리 상수를 이용한 강산과 약산, 강염기와 약염기의 분류의 방법을 관계식을 통해 제시하였고, 또한, 중화 반응에 대한 그림 3과 같은 그래프를 통해 문제와 내용에 대해 이해할 수 있도록 하였다.

Fig. 3. 
Titration Curve

기울기가 급격히 변하는 지점이 당량점으로 pH=7 중성이 되고, 당량점 이전은 산으로부터 유도되고, 당량점 이후는 염기로부터 유도된다고 제시하였다. 위의 중화 적정 곡선은 강염기에 의한 강산의 적정에 대한 것이므로, 강염기에 의한 약산의 적정과 강산에 대한 약염기의 적정 등 다양한 경우에 대한 중화 적정에 대한 탐구를 할 수 있도록 동기를 유발하였다.

다음으로 학생들이 문제 해결의 단계를 나눌 수 있도록 나타내었다. 이 단계에서 학생들은 산 해리 상수를 조사하고, 강산과 약산을 구분해 보며, 산의 짝염기의 관련성을 이해할 수 있도록 안내하였다. 이에 따라 학생들은 위의 내용에 대한 정보를 조사하고, 조사된 정보를 토대로 프로그램을 설계하여 만들고 평가할 수 있도록 하였다.

이 수업에서 학생들이 설계하고 만들게 될 프로그램은 다음과 같다. 첫째, 중화 적정을 계산할 산이 강산인지 약산인지 구분할 수 있도록 ML4K를 활용하여 머신러닝 모델을 만든다. ML4K에서 자연계에 존재하는 대표적인 강산과 약산의 pKa 값과 강염기와 약염기의 pKb 값을 훈련 데이터로 입력한다. 일반적으로 pKa나 pKb가 클수록 강하고, 작을수록 약하다. 여기에서 학습된 머신러닝 모델은 유기산과 같이 입력되지 않은 산과 염기의 새로운 값을 강한지 약한지 분류할 수 있도록 해 준다.

둘째, 강산-강염기의 반응, 강산-약염기 및 약산-강염기의 반응, 약산-강염기의 반응의 경우에 따라 문제 상황을 분류하고, 각각의 경우에 해당하는 공식을 적용하는 프로그램을 작성한다.

셋째, 적정 반응을 계산하기 위하여 산과 염기 중, 부피가 주어진 것인 적정할 용액과 적정을 위해 투여할 용액을 분류하고, 당량점을 기준으로 계산을 할 수 있게 프로그램을 작성한다.

넷째, 계산한 적정 반응을 이용한 중화 적정 곡선을 그래프로 나타내기 위하여, x축에는 투여할 용액의 부피, y축에는 pH를 나타내는 그래프를 화면에 나타낼 수 있도록 프로그램을 작성한다. 그림 4는 완성된 프로그램의 실행 결과이다.

Fig. 4. 
Program Execution Result

그 후, 학생들에게 작성된 프로그램에서 오류가 발생할 경우 원인을 파악하고 수정할 수 있도록 하였다. 프로그램을 완성한 다음에는 프로그램의 설계가 적절했는지, 설계대로 프로그램을 작성했는지, 오류 없이 잘 동작하는지 자기반성을 하도록 했다. 또한, 어떤 점이 문제 해결의 과정 중에 가장 어려웠는지, 이 프로젝트를 통해 어떤 점을 알게 되었는지, 추가하거나 확장할 수 있는 부분이 있는지 등의 내용을 통해 학습 내용을 내면화할 수 있도록 안내하였다.

이와 같이 개발한 예비교사들의 융합 수업은 마이크로티칭을 통해 발표되었고, 이에 대한 상호 토론과 피드백이 진행되었다.

이 수업은 화학 교육에서 다루고 있는 개념적 요소에 대한 학습을 돕기 위해 머신러닝의 활용과 프로그래밍의 과정이 적절히 융합되었기 때문에 학습에 많은 도움이 될 것이라는 의견이 많았다. 특히, 직관적으로 분류하기 어려운 강산, 약산, 강염기, 약염기를 머신러닝 모델을 통해 쉽게 분류하고, 반응의 경우에 따라 계산식을 바로 적용해서 그래프로 나타내는 자동화 과정이 인상적이었다고 논의되었다. 또한, 단순 계산을 반복하지 않아도, 프로그램을 작성하는 과정을 통해 중화 적정 반응 계산식에 대해 깊이 이해할 수 있다는 점이 학생들에게 많은 도움이 될 것이라고 상호 평가되었다.