Journal Archive

한국교육학술정보원은 SW 교육을 위해 표 1과 같은 5가지 형태의 교수학습 모델을 제안하고 있다[16].

일반적으로 시연중심(DMM) 모델은 프로그래밍 언어의 문법 및 실습 중심의 명령어를 지도할 때 유용한 모델로 언급되고 있다. 재구성중심(UMC) 모델은 학생들과 체험활동 같은 놀이를 우선 해보고, 그 놀이를 변형하는 수정 단계를 거쳐 학생들이 자신만의 프로그램으로 재구성하는 방법으로 시연중심모델의 수동적 학습을 학생주도형으로 이끌 수 있는 모델이다. 개발중심(DDD) 모델은 소프트웨어공학적으로 SW 개발의 전 과정을 이해하는 모델이며, 재구성중심모델처럼 교수자의 지도하에 제한된 모듈의 확장이 아닌 학습자가 개발의 과정을 주도하는 모델이다. 디자인중심(NIDIS) 모델은 프로젝트 기반으로 교수자는 안내자로서 학생들과의 활발한 피드백을 통해 의미있는 결과를 얻을 수 있도록 지원하는 모델이다. 끝으로 CT요소중심(DPAA(P)) 모델은 문제해결역량을 배양하는 것으로 학습자 스스로 문제를 파악하고 분석을 실행하는 과정을 학습하는 모델이라 할 수 있다.

일반적으로 컴퓨팅 사고 교육에는 CT요소중심(DPAA(P)) 모델을 적용하고, 문법이나 실습 중심의 프로그래밍 교육에선 시연중심(DMM) 모델이나 재구성중심(UMC) 모델을 선호하고, 심화된 SW 교육을 위해선 개발중심(DDD) 모델이나 디자인중심(NDIS) 모델이 적합하다.

SW 교육의 효과를 높이기 위해 앞서 기술한 SW 교육 모델을 토대로 학습 목표와 콘텐츠를 고려한 적절한 교수학습 방법이 필요하다. 박성희는 ‘대학에서의 SW교육에 관한 고찰’을 통해 현재의 SW 교육을 위한 교수학습 방법의 경우 K-12 교육과정 안에서 특정 단원을 위한 연구들이 대부분이고, 대학에서의 SW 교육에 관한 구체적인 교수학습 방법은 거의 전무하다고 언급하고 있다[17].

이영석은 파이썬 기반 SW 교육을 실시함에 있어 컴퓨팅 사고력 핵심 요소와 개발중심모델을 연계한 교수학습 방법을 제시하였다. 또한 사례 연구를 통해 컴퓨팅 사고 요소 중 패턴과 추상화 개념 이해에 있어 유의미하게 평균이 높아지는 효과가 있었으나 알고리즘, 자동화, 추론화와 같은 문제가 반복되고 복잡한 경우 더 요구되는 컴퓨팅 사고 요소들에 대해선 큰 효과가 없음을 보였다[18].

성정숙, 김수환, 김현철은 프로그래밍 수업에서 난이도가 높아질수록 학습자의 흥미가 떨어지는 것을 프로젝트를 진행하면서 다시 흥미가 급상승하는 것을 확인하였고, 단순히 프로그래밍 언어의 문법을 차례로 학습하는 것보다 학습자가 주도적으로 문제를 풀어나가는 프로젝트가 SW 교육에도 유용함을 보여주었다[19]. 김수환, 한선관의 연구도 프로젝트 기반의 디자인중심모델을 적용한 컴퓨팅 사고 교육을 통해, 디자인중심모델이 컴퓨팅 사고력뿐만 아니라 프로그래밍 능력도 함께 향상됨을 보여주었다[20].

성영훈은 스토리텔링 기반의 가상현실 블록 프로그래밍 교육의 HVC(History, VR Coding, Collaboration) 교육 모델을 제안하였다[21]. 유사하게 박정호의 연구도 스토리텔링기반의 SW 교육 방법이 SW 개념을 이해하고, 구현 능력을 향상시키며 교육 태도도 개선됨을 보여주었다[22]. 스토리텔링 기반의 SW 교육 방법도 프로젝트 기반의 디자인중심모델과 유사하게 학습자가 주도적으로 스토리를 중심으로 문제를 정의해나가는 과정이 포함되는 것으로 단순 모방과 훈련보다는 학습 동기와 흥미를 유도하는 것으로 보인다.

정리해보면, 대학의 SW 교육에 대한 교수학습 방법에 대한 연구가 미비하지만 단순히 개념과 문법을 전개하는 지식위주의 교육보다는 학습자의 흥미를 유도할 수 있는 교육 콘텐츠와 함께 다양한 실습과 학습자의 활동을 중시하는 교수학습 방법이 좀 더 효과적임을 알 수 있다.

A 대학은 지난 5년간 전교생의 SW 교육을 위해 ‘컴퓨팅 사고, 프로그래밍, 데이터 분석’을 핵심 SW 역량으로 정의하고, 표 2와 같이 단과대학별로 전공 특성에 맞는 역량을 선정하여 6학점 필수로 수강하는 교육체계를 정립하여 운영 중에 있다.

컴퓨팅 사고 역량은 컴퓨터 공학의 이론, 기술, 도구를 활용하여 현실의 복잡한 문제를 창의적으로 해결하고자 하는 사고력을 의미한다. 프로그래밍 역량은 프로그램의 동작 원리와 프로그램의 구성 요소를 이해하고 자신의 알고리즘을 기술하여 프로그램으로 실체화할 수 있는 역량이다. 데이터 분석 역량은 데이터의 가치를 탐색하고, 과학적으로 검증된 데이터를 근거로 연구를 발전시킬 수 있는 데이터 분석 문제 정의 및 분석, 설계 역량을 의미한다.

대학의 SW 교육은 학습자의 전공이 결정되었다는 점을 고려하여, 학습자의 흥미와 학습 동기를 높이는 일환으로 전공에 더 유용한 역량을 선정하여 SW를 학습할 수 있도록 SW 교육 콘텐츠에 다양성을 제공한 것이 A 대학의 비전공자 SW 교육의 특징이라 할 수 있다. 특히 일반적으로 비전공자를 위한 SW 교육으로 공감하는 컴퓨팅 사고와 프로그래밍 뿐 만 아니라, 사회와 자연 현상을 탐구하는 학문인 사회과학과 자연과학 분야에 유용한 데이터 분석도 핵심 SW 역량으로 정의하고 교육 콘텐츠를 제공하고 있다.

이러한 전공 맞춤형 SW 교육 체계는 SW 융합 인재 양성이라는 대학의 SW 교육 목표와도 부합하여 SW 교육을 통해 자신의 전공과 SW의 융합에 대한 이해와 발전이 자연스럽게 이루어지는 것이 강점이라 할 수 있다.

A 대학의 데이터 분석 기반 SW 교육은 통계와 데이터 시각화 및 분석에 유용한 것으로 알려진 R 프로그래밍 언어를 기반으로 구성되어 있으며, 교차분석, 상관분석과 같은 통계기반 분석기법을 포함하여 텍스트분석, 연관분석과 같은 데이터 분석 기법 뿐 만 아니라 데이터를 자동 수집하는 데이터 크롤링이나 데이터를 정제하여 시각화하여 탐색하는 기법까지 데이터 분석 프로세스 전반에 관한 기초 지식이 주요 학습 콘텐츠이다.

프로그래밍 언어를 기반으로 하는 SW 교육에선 프로그래밍 문법 및 명령어에 대한 훈련이 요구되고 이론 수업 외에도 실습이 포함될 수밖에 없기 때문에 앞서 SW 교육 모델 중 일반적으로 시연중심모델로 교수학습이 이뤄진다.

그러나 A 대학에서 운영하는 데이터 분석 교과목은 단순히 R 프로그래밍 언어를 익히거나 또는 통계학을 이론적으로 학습하는 것이 아닌 데이터 분석 문제를 효율적으로 해결하기 위한 데이터 기반 문제해결역량 배양이 주요 학습 목표이다. 그렇기에 단순히 R 언어의 문법적 요소를 배우는 것에 집중되는 교수학습 모델보다는 학생주도적인 문제해결역량을 키울 수 있는 개발중심(DDD) 모델이나 디자인중심(NDIS) 모델이 유용하며, 단순 프로그래밍 문제가 아닌 데이터 분석을 통한 문제해결이라는 점에서 이들 교육모델을 응용한 교수학습 방법이 필요하다.

본 논문에서 제안하는 데이터 분석 기반 SW 교육의 교수학습 방법은 다음과 같은 특징을 갖는다.

첫째, R 언어의 문법 요소 학습을 강조하는 것보다, 문제해결에 필요한 문법 요소가 있을 때에 선별적으로 학습되도록 한다. 즉 일반적인 프로그래밍 언어 기반 수업에서처럼, 변수, 연산자, 조건문, 반복문, 함수, 자료구조 등의 학습 콘텐츠를 갖는 문법 중심의 교과과정을 지양한다.

둘째, 데이터 분석 기반 문제해결을 위한 절차를 이해하고 응용할 수 있도록 학습 콘텐츠를 구성한다. 데이터 분석 문제도 소프트웨어공학적인 문제 해결 절차와 유사하게 ‘문제 정의 → 데이터 준비 → 데이터 탐색 → 데이터 분석 → 결과 적용’의 데이터 분석 프로세스가 정의되어 있다. 그렇기에 학습 콘텐츠 및 교과과정은 데이터 분석 프로세스에 따라서 진행되도록 구성한다.

셋째. 실습은 시연중심모델을 도입하여 교수자의 지도하에 학습 내용이 수업 시간 중에 충분히 반복되어 이해될 수 있도록 구성한다.

끝으로, 과제는 디자인중심모델을 적용하여 학습자 스스로 데이터 분석으로 해결하고자 하는 문제를 정의하고 수업시간에 배운 데이터 분석 프로세스를 적용하여 문제를 해결할 수 있도록 프로젝트 형식으로 진행한다.

1) 데이터 분석 프로세스

데이터 분석 프로세스는 그림 1과 같이 ‘문제 정의 → 데이터 준비 → 데이터 탐색 → 데이터 분석 → 결과 적용’의 단계로 구성된다. 문제 정의는 데이터 분석으로 해결하고자 하는 문제의 요구사항과 분석 목표를 정의하는 과정으로 데이터 분석 목표에 따라 어떤 데이터를 수집하고, 어떤 기법으로 분석할 것인지에 대한 결정도 포함한다. 데이터 준비는 분석에 필요한 데이터를 수집하고, 유효하지 않거나, 모호하거나 중복되는 등과 같은 데이터 잡음을 제거하고 분석에 맞는 데이터 형태로 정제하여 최적화된 데이터 셋을 준비하는 과정을 의미한다. 데이터 탐색은 문제 해결을 위한 ‘패턴, 연관성, 관계’ 등을 발견하기 위해 간단한 통계나 그래프 시각화를 통해 데이터의 특성과 경향을 관찰하는 과정이며, 데이터 탐색을 통해 문제 해결의 방향을 찾거나, 더 필요한 데이터를 식별하기도 한다. 데이터 분석은 데이터 분석 기반 문제를 해결하기 위해 ‘패턴, 분류, 예측’이 가능한 데이터 분석 모델을 구현하는 단계이며, 이렇게 작성된 분석 모델을 실제 상황에 적용하는 것이 결과 적용 단계이다.

Fig. 1. 
Data analysis process

2) 수업 운영

데이터 분석 교육은 14주의 교과과정이 데이터 분석 프로세스에 따라 순서적으로 진행된다. 수업 운영을 위한 학습 콘텐츠는 그림 2와 같이 ‘이론→ 실습→ 미션’의 순으로 진행되도록 구성하며, 교수자는 이론을 통해 개념을 알리고, 실습 데이터를 예제로 함께 설명함으로 이해를 돕는다. 특히 실습은 학습자가 교수자가 미션으로 제시하는 요구사항에 맞게 실습 예를 수정하여 코드를 재구성하는 방식으로 수업 내용을 학습하는 시연중심모델로 설계한다. 특히 R 프로그래밍 언어에 대한 학습은 당일 배우는 데이터 분석 개념을 이해하기 위한 최소한의 문법 요소를 살펴보고 실습을 통해 확인하는 것으로 구성하며, 학습자는 미션에서 요구사항에 맞게 실습 코드를 수정하는 연습을 통해 데이터 분석 개념에 대한 이해와 R 프로그래밍에 대해 함께 학습하게 된다.

Fig. 2. 
Configuration class contents

제안하는 데이터 분석 기반 SW 교육과 교수학습 방법의 효과를 살펴보기 위해 A 대학에서 운영된 데이터 분석 교과목을 대상으로 사례 연구를 진행하였다. A 대학의 데이터 분석 교과목은 초기 운영 시엔 프로그래밍 교육에 적합한 시연중심모델 기반 교과과정으로 운영되었다. 14주 교육과정 중 전반 6 - 7 주는 R 프로그래밍 언어의 문법 요소 학습을 진행하고 이후는 데이터 분석 개념을 학습하는 구성이다.

사례 연구에선 초기 시연중심모델 기반 교과과정으로 학습한 사회과학대학 1학년 34명 학생을 A그룹으로, 데이터 분석 기반 SW 교육 교수학습 방법으로 개정된 교과과정으로 학습한 사회과학대학 1학년 72명 학생들을 B 그룹으로 나누어 비교 분석한다.

본 사례 연구에선 제안하는 데이터 분석 기반 SW 교육 교수학습 방법의 효과를 교과과정 개선 전·후의 ‘수업 만족도와 교육 효과성’의 관점에서 표 4와 같은 문항으로 비교 분석한다. 특히 대학의 비전공자 SW 교육에 대한 필요성 및 만족도에 대한 이견이 있는 만큼 교과과정 개선에 따라 교육 효과성 외에도 수업 만족도의 변화를 살펴보는 것은 의미가 크다. 수업 만족도는 개선된 교과과정이 수업 운영과 과제 운영 측면에서 특징적인 변화가 있는 만큼 이에 따른 세부 항목으로 평가한다. 교육 효과성은 성적과 관련된 학업 성취도와 함께 학습 효과로 배양된 역량을 평가한다. 학습 효과로는 수업 방식과 학습 활동으로 인한 자기주도적학습과 SW 교육의 궁극적 목표라 할 수 있는 창의적 문제해결력에 미치는 효과를 조사한다.

사례 연구 결과는 교과과정 개선 전·후에 수업을 받은 학생들로 A, B 그룹을 나누어 수업 만족도와 교육 효과성을 독립표본 t-검정을 통해 비교 분석하였고, 표 5는 그 결과이다. 연구 문제 R1 ~ R7은 5점 척도의 설문항으로 1점 매우불만족, 2점 불만족, 3점 보통, 4점 만족, 5점 매우만족을 의미한다. 연구 문제 R8의 학업 성취도는 100점 만점의 과목 종합 성적으로 측정한다.