과학적 연구에 따르면, 개인화된 학습은 정적인 일률적 학습 경험에 비해 더 나은 결과를 제공합니다. 개인화된 교육을 통해 학습자는 기억력 향상과 함께 근거리 및 원거리 전이를 개선할 수 있습니다. 또한 개인화된 학습은 더 깊은 이해를 가능하게 하고, 리더십 및 적응적 사고와 같은 고차원적 인지 기술을 연마하는 데 도움을 줄 수 있습니다.
숙련된 교사가 설계하는 맞춤형 학습 경험은 학습의 최상 기준이지만, 이는 비용과 전문가 교사 및 강사의 제한된 가용성 때문에 규모를 확장하기 어렵습니다. 컴퓨터 보조 학습은 이러한 확장성 문제를 완화할 수 있으며, 개인화된 학습 기술은 일대일 학습의 혜택을 (적어도 부분적으로) 제공하여 개인 멘토와 함께 학습하는 것과 유사한 경험을 제공합니다.
일반적으로 개인화된 학습 기술은 서로 다른 학습자(또는 같은 학습자가 다른 시점에서)에게 다른 경험을 제공하려고 시도합니다. 가장 간단한 수준에서는 개인의 선호도에 기반한 사용자 설정이나 차별화된 교육을 제공할 수 있습니다. 예를 들어, 초보자와 중급 학습자에게 각각 고유한 교육 패키지를 제공하는 시스템이 여기에 해당합니다. 더 나아가, 개인화된 학습은 적응적 메커니즘을 통합하여 들어오는 데이터 스트림에 따라 학습 경험을 조정할 수 있습니다. 일반적으로 사람들이 개인화의 이점을 강조할 때 언급하는 것은 이러한 적응형 학습입니다. (그리고 이 장에서는 적응형 학습에 초점을 맞추고 있습니다.)
소비자들이 이미 개인화를 경험하고 있는 다양한 방식이 존재합니다. 예를 들어, 식료품점 계산대에서 출력되는 쿠폰, 이전 구매와 매장 탐색 기록을 바탕으로 동적으로 구성되는 전자상거래 사이트의 홈페이지, 개인 비서 기능, 식당 추천, 그리고 해당 식당으로 가는 길 안내 등이 있습니다.
이제 소비자들은 이러한 경험의 혜택을 학습과 같은 다른 온라인 경험에서도 기대하고 있습니다.
개인화 기능은 학습 경험의 가상 컨시어지 역할을 하며, 학습자의 필요와 관심사를 조합하여 추천을 제공합니다.
John Landwehr
Vice President and Public Sector
Chief Technical Officer, Adobe
현대 기술은 개인화된 학습 방법의 스펙트럼을 점점 더 많이 활용하여 학습 목표와 특성, 사전 경험, 입증된 지식 및 성과, 환경적 조건, 사회적 맥락 등에 더 잘 맞는 과제 선택, 예제, 피드백 유형과 같은 교육 요소를 맞춤화합니다. 예를 들어, 학습자가 능숙도를 높이면 시스템은 문제의 순서와 빈도, 커리큘럼 진행, 제공되는 피드백 유형을 조정할 수 있습니다. 적응형 학습 시스템은 학습자가 각 필수 목표를 완전히 달성하도록 돕고, 학습 목표에 필요한 세부 목표를 연습하고 검증하는 활동을 통해 학습자를 안내하며, 점차적으로 학습자가 숙달에 도달할 수 있도록 지원합니다.
또한, 여러 학습자의 데이터를 통해 증거가 축적되면, 일부 시스템은 데이터 기반 방법을 사용하여 문제가 있거나 직관적이지 않은 교육 시퀀스를 식별할 수 있습니다. 다른 시스템은 학습자의 행동을 바탕으로 동료 간 매칭 및 팀 매칭을 추천하거나, 학생이 자동화된 피드백 대신 인간 피드백이 필요한 시점을 식별할 수 있습니다.
적응형 학습 기술은 평균적으로 기존의 그룹 기반 또는 비적응적 학습보다 상당히 더 나은 결과를 제공합니다. 적응형 기술은 학습 시간을 단축하거나 실행 비용을 줄이는 방식으로 학습 효율성을 높일 수도 있습니다. 예를 들어, 학습자는 이미 익숙한 자료를 복습하는 데 적은 시간을 소비할 수 있으며, 필요할 때 즉시 교정을 받을 수 있습니다. 또한 적응형 시스템은 평가의 수나 길이를 줄일 수 있는데, 이는 각 학습자의 능력을 최대한 정확하게 평가하는 질문을 신중히 선택할 수 있기 때문입니다.
현재 실천의 한계점
개인화 학습이 이미 다양한 환경에서 활용되고 있지만, 그 잠재력이 완전히 실현되지는 않았습니다. 문제의 일부는 이러한 시스템이 일반적으로 특정하고 좁게 정의된 교육적 필요를 충족하도록 설계된다는 점에 있습니다. 이로 인해 이러한 시스템의 혜택은 국지적인 성격을 띠는 경우가 많습니다. 또한, 고유한 솔루션이 광범위하게 도입되면서 개발, 평가, 보고 방법이 표준화되지 않았습니다. 이는 독립적인 시스템 간 데이터 전송을 어렵게 만들어 사용 가능한 적응의 범위를 제한하며, 학습자에게 각 교육 에피소드가 단절되고 일관성이 없게 보이도록 만듭니다.
또 다른 과제는 개발 비용입니다. 전통적으로 이러한 시스템의 개발에는 학습자 상호작용 1시간당 약 100~300시간의 작업 시간이 소요되었습니다. 여기에는 고도로 숙련된 연구자, 소프트웨어 엔지니어, 주제 전문가들이 투입되며, 이 시간의 상당 부분은 자동 적응을 가능하게 하는 학습 및 행동 모델 구축에 사용되었습니다. 단일 도메인에서 필요한 수백 시간의 교육 시간과 이를 개발 및 테스트하기 위한 인력과 시간을 감안할 때, 개인화 학습 구현 비용은 상당히 높을 수 있습니다.
그러나 현재의 획일화된 학습 방식과 비교할 때, 개인화 학습의 많은 이점을 고려하면, 비용이 높은 적응 학습 시스템조차도 전반적으로 우위를 점합니다. 더욱이, 기계 학습 방법을 활용한 모델 구축 기술의 발전과 저작 도구의 가용성 증가로 인해 개발이 점점 더 효율적으로 이루어지고 있습니다. 오늘날에는 전문가 20~30시간 정도로 1시간 분량의 교육을 개발할 수 있는 현대적 시스템도 구축할 수 있습니다.
전반적으로 이 분야는 빠르게 성장하고 있으며, 새로운 기술들은 매일 개인화 시스템의 민감성, 효과, 효율성, 비용 효율성을 개선하고 있습니다. 아래 섹션에서는 개인화 학습을 설계하고 배포하는 일반적인 접근 방식을 설명하며, 특히 새로운 적응 학습 기능이 미래 학습 생태계에 미칠 영향을 중점적으로 다룹니다.
개인화 학습 설계
개인화 학습 접근 방식을 구현할 준비를 할 때, 학습 경험의 어떤 측면이 개인적 차이에 가장 큰 영향을 받는지, 그리고 이러한 차이에 대응하여 교육적 요소를 어떻게 다양화할 수 있을지를 고려하는 것이 유용합니다. 역사적, 실시간, 외부 데이터 소스의 가용성 또한 적응 시스템에 영향을 미칠 것입니다. 다음 세 개의 하위 섹션에서는 데이터 수집, 데이터 분석, 그리고 학습을 무엇을 어떻게 개인화할지에 대한 고수준의 고려 사항을 단계별로 살펴봅니다.
데이터 소스
적응적 학습은 적응할 무언가를 필요로 합니다. 이는 학습자의 인구통계 및 배경 정보뿐만 아니라 실시간 성과, 센서, 행동(이벤트 기반) 데이터를 포함할 수 있습니다. 또한, 학습자 외부의 정보 소스, 예를 들어, 맥락 정보와 강사의 입력이 중요한 기여를 할 수도 있습니다.
상대적으로 정적인 데이터는 학습자 특성과 이전 경험을 포함하며, 역할 기반의 차별화 같은 간단한 맞춤화나 시스템 내에서 새로운 학습자 프로필을 생성하는 데 사용될 수 있습니다. 맞춤화를 의미 있게 지원하는 개인적 특성으로는 목표 지향성, 일반적 자기 효능감, 컴퓨터에 대한 태도, 메타인지 능력 등이 포함됩니다. 직위나 군 계급과 같은 헌법적 속성은 이전 성과 데이터가 없을 경우 이를 대체하는 데 유용하며, 종종 쉽게 얻을 수 있기 때문에 유용합니다. 예측할 수 있듯이, 이전 지식과 기술은 맞춤화를 지원하는 데 가장 유용한 역사적 데이터 중 하나입니다.
학습자 성과 데이터는 역사적 시험 결과 및 포트폴리오 점수와 같은 정적 데이터뿐만 아니라, 주어진 교육 경험 내에서 퀴즈, 연습, 시뮬레이션 및 기타 활동에서 나오는 더 시기적절한 데이터를 포함할 수 있습니다. 학습자 성과는 아이템 반응 이론이나 베이지안 지식 추적과 같은 방법을 통해 복잡한 추론을 지원할 수 있으며, 임계값 메트릭 및 집단 규범과의 비교와 같은 단순한 접근 방식도 일부 유용성을 제공합니다. 그러나 기본적인 학습자 성과 데이터를 수집하는 것조차 항상 쉬운 것은 아닙니다. 예를 들어, 개인이나 조직이 자신의 점수 측정 및 기록에 위협을 느낄 수 있습니다. 그럼에도 불구하고 학습자 성과 데이터는 맞춤화에 큰 차이를 만듭니다. 따라서 양질의 측정치를 설계하고, 데이터를 수집하며, 이를 신중히 분석하는 것이 그만한 가치가 있습니다.
일부 환경에서 사용할 수 있는 새로운 데이터 소스는 센서를 통해 제공됩니다. 센서는 학습자의 신체적 또는 생리적 정보를 객관적으로 측정하여, 성과의 매개변수와 중재자에 관한 모호성을 일부 제거할 수 있습니다. 예를 들어, 피부 전도 반응 및 심박수 변동성 모니터와 같은 특수 센서는 학습자의 정신적 및 감정적 상태를 어느 정도까지는 감지할 수 있습니다. 또한, 특수 하드웨어가 항상 필요한 것은 아닙니다. 노트북이나 휴대폰과 같은 많은 기기에 이미 저비용 센서가 내장되어 있으며, 이들은 위치, 맥락, 시선 방향, 동공 확장, 음성, 제스처, 자세 단서를 통해 다양한 입력을 추적할 수 있습니다. 이러한 저비용 센서의 데이터는 이미 스트레스, 지루함, 혼란과 같은 상태를 추론하는 데 사용되었습니다.
사람마다 강점이 다르기 때문에, 이러한 차이를 기반으로 훈련을 어떻게 구성할 수 있을까요? 필요한 훈련을 더 짧은 시간 안에 제공하면서, 훈련을 마친 후 군인들이 더 잘 준비된 상태로 나올 수 있도록 하는 방법은 무엇일까요?
Thomas Baptiste
Lieutenant General, U.S. Air Force (Ret.)
President and CEO, the National Center for Simulation
소프트웨어 내의 기기들은 키보드 입력 및 마우스 움직임과 같은 데이터를 활용해 학습자의 주의력, 참여도, 짜증 상태를 추론하거나, 학습자의 신원을 확인하거나 부정행위의 징후를 포착할 수 있습니다.
학습자 성과 및 센서 데이터와 관련된 학습 경험 데이터는 학습자가 보고 행동하는 이벤트 기반 데이터를 의미합니다. 학습 성과 데이터와 비교할 때, 학습 경험은 결과뿐만 아니라 각 결과를 설명하는 모든 단계를 포착합니다. 예를 들어, 비디오를 일시 정지하거나, 퀴즈 답변을 선택한 후 제출하기 전에 변경하거나, 자동 튜터에게 도움을 요청하는 것 등이 포함될 수 있습니다.
즉각적인 전달 기술이나 교육 활동 외부의 외부 소스에서도 중요한 통찰력을 얻을 수 있습니다. 예를 들어, 온라인 코스의 자유 토론 게시판과 같은 사회적 상호작용은 자연어 처리를 통해 학습자의 관심사와 태도에 대해 더 많이 알 수 있으며, 소셜 네트워크 분석에 정보를 제공할 수 있습니다. 학습 환경에 대한 맥락 정보도 활용될 수 있습니다. 예를 들어, 학습자의 센서를 통해 시간과 위치 데이터를 수집하고 외부의 날씨 및 지도 데이터베이스와 통합하여 실시간 맥락 관련 학습 예제를 제공할 수 있습니다.
또한, 학습 제공에 영향을 미칠 수 있는 물류적 고려 사항도 포함될 수 있습니다. 예를 들어, 학습자가 사용할 수 있는 디지털 기기(예: 스마트폰 대 노트북), 특정 과정에서 사용할 수 있는 좌석 수, 또는 비용과 시간 제약이 여기에 포함됩니다. 조직적 요인도 다양한 방식으로 개인화에 영향을 미칠 수 있습니다.
다른 형태의 외부 데이터는 학습자 자신, 동료, 강사, 감독관 등의 관찰 및 입력에서 비롯됩니다. 예를 들어, 강사는 학생의 설득력 있는 글쓰기에 대한 비평을 입력하거나, 관찰자/훈련관은 훈련생을 성과 평가표에 따라 점수를 매길 수 있습니다. 학생이 자가 보고 데이터를 입력하거나, 동료 평가나 360도 설문조사를 통해 데이터를 제공할 수도 있습니다.
마지막으로, 학습자 데이터는 더 강력하고, 더 개인적이며, 더 맥락화될수록 유용해지는 경우가 많지만, 이러한 특성은 동시에 프라이버시 문제를 증가시킵니다. 이에 대한 균형을 신중히 고려해야 합니다. (8장을 참고하십시오.)
데이터 분석
수집된 데이터는 의미 있는 방식으로 분석되어야 하며, 그 후 시스템은 이러한 분석 결과를 사용하여 진단, 예측 및 적응적 결정을 내려야 합니다. 개인화 학습 기술이 내릴 수 있는 결정은 어떤 것들이 있을까요? 가장 명확한 답변은 학습자의 콘텐츠 숙달 정도를 추정한 뒤, 능력 격차를 채우고 잘못된 개념을 바로잡는 행동을 취할 수 있다는 것입니다. 사람마다 학습 속도가 다르며, 시스템이 할 수 있는 가장 영향력 있는 개입 중 하나는 각 학습자가 자신의 최적 속도로 진행할 수 있도록 하여 모든 학습자가 중요한 하위 구성 요소를 놓치지 않고 이미 알고 있는 내용을 반복하지 않으면서 숙달에 도달하도록 보장하는 것입니다.
정의적으로 숙달(mastery)은 관찰할 수 없는 학습자의 역량에 대한 추정을 의미합니다. 숙달은 정답 여부와 반응 속도와 같은 관찰 가능한 성과로 나타납니다. 숙달 추정치는 초기에는 학습자의 프로필 또는 인구 통계 데이터와 같은 정적인 데이터에 의해 영향을 받을 수 있습니다. 학습 에피소드 동안에는 새로 생성된 맥락적으로 관련된 데이터에 의해 가장 잘 정보가 제공됩니다. 하지만 숙달 추정치의 한계를 인정하는 것이 중요합니다. 운 좋은 추측, 실수로 입력한 값, 시행착오, 그 외 다양한 의도적 또는 비의도적 오류 행동은 부정확성을 초래할 수 있습니다. 적응형 시스템은 항상 학습자의 숙달 데이터에 대해 건전한 회의적 태도를 유지해야 하며, 잘못된 추정을 검증하고 완화할 방법을 통합해야 합니다. 잘못된 숙달 모델을 방지하는 방법으로는 강사 입력, 학습자 선택 추천을 통해 시스템 행동을 무효화하는 것, 또는 학습자가 자신의 숙달 추정치를 보고 때로는 직접적으로 또는 간접적으로 변경할 수 있는 공개 학습 모델(open learner model)을 포함할 수 있습니다.
숙달 외에도 많은 개별 상태와 특성(individual states and traits)은 학습에 영향을 미치므로 유용한 분석 대상이 될 수 있습니다. 학습자 상태(states)는 순간적으로 변할 수 있는 특징이며, 학습자 특성(traits)은 보다 고정되어 있으며, 변화하더라도 긴 시간이 걸립니다. 좌절감이나 지루함과 같은 정서적 상태는 학습 동기를 감소시킬 수 있고, 배고픔이나 수면 부족과 같은 생리적 상태도 정서에 영향을 미치고 인지 기능을 조정함으로써 학습에 영향을 미칠 수 있습니다. 앞서 언급한 대로, 목표 지향성(goal orientation)이나 일반 자기 효능감(general self-efficacy)과 같은 성격 특성도 일부 통찰을 제공할 수 있습니다. 또한, 사회적 정체성 특성(social identity traits)이나 학습 목표와 같은 개인적특성도 유용할 수 있습니다.
마지막으로, 다수의 학습자로부터 오랜 기간에 걸쳐 수집된 데이터의 집계는 추세 분석을 제공하거나, 충분한 규모일 경우 숨겨진 패턴을 발견하는 기계 학습 알고리즘을 훈련시키는 데 사용할 수 있습니다. 최소한으로도, 집단 데이터는 평균 완료 시간 요구 사항과 같은 일반적인 기준을 제공합니다. 더 정교한 시스템에서는 이러한 데이터가 자동화된 진단 및 적응 추천을 개선하고, 문제 있는 교육 섹션을 식별하거나 다양한 유형의 학습자를 위한 최적의 학습 경로를 파악하거나, 학습 인터페이스, 콘텐츠 또는 전달 방식을 점진적으로 개선하는 데 유용할 수 있습니다.
데이터 분석
수집된 데이터는 의미 있는 방식으로 분석되어야 하며, 그 후 시스템은 이러한 분석 결과를 사용하여 진단, 예측 및 적응적 결정을 내려야 합니다. 개인화 학습 기술이 내릴 수 있는 결정은 어떤 것들이 있을까요? 가장 명확한 답변은 학습자의 콘텐츠 숙달 정도를 추정한 뒤, 능력 격차를 채우고 잘못된 개념을 바로잡는 행동을 취할 수 있다는 것입니다. 사람마다 학습 속도가 다르며, 시스템이 할 수 있는 가장 영향력 있는 개입 중 하나는 각 학습자가 자신의 최적 속도로 진행할 수 있도록 하여 모든 학습자가 중요한 하위 구성 요소를 놓치지 않고 이미 알고 있는 내용을 반복하지 않으면서 숙달에 도달하도록 보장하는 것입니다.
정의적으로 숙달(mastery)은 관찰할 수 없는 학습자의 역량에 대한 추정을 의미합니다. 숙달은 정답 여부와 반응 속도와 같은 관찰 가능한 성과로 나타납니다. 숙달 추정치는 초기에는 학습자의 프로필 또는 인구 통계 데이터와 같은 정적인 데이터에 의해 영향을 받을 수 있습니다. 학습 에피소드 동안에는 새로 생성된 맥락적으로 관련된 데이터에 의해 가장 잘 정보가 제공됩니다. 하지만 숙달 추정치의 한계를 인정하는 것이 중요합니다. 운 좋은 추측, 실수로 입력한 값, 시행착오, 그 외 다양한 의도적 또는 비의도적 오류 행동은 부정확성을 초래할 수 있습니다. 적응형 시스템은 항상 학습자의 숙달 데이터에 대해 건전한 회의적 태도를 유지해야 하며, 잘못된 추정을 검증하고 완화할 방법을 통합해야 합니다. 잘못된 숙달 모델을 방지하는 방법으로는 강사 입력, 학습자 선택 추천을 통해 시스템 행동을 무효화하는 것, 또는 학습자가 자신의 숙달 추정치를 보고 때로는 직접적으로 또는 간접적으로 변경할 수 있는 공개 학습 모델(open learner model)을 포함할 수 있습니다.
숙달 외에도 많은 개별 상태와 특성(individual states and traits)은 학습에 영향을 미치므로 유용한 분석 대상이 될 수 있습니다. 학습자 상태(states)는 순간적으로 변할 수 있는 특징이며, 학습자 특성(traits)은 보다 고정되어 있으며, 변화하더라도 긴 시간이 걸립니다. 좌절감이나 지루함과 같은 정서적 상태는 학습 동기를 감소시킬 수 있고, 배고픔이나 수면 부족과 같은 생리적 상태도 정서에 영향을 미치고 인지 기능을 조정함으로써 학습에 영향을 미칠 수 있습니다. 앞서 언급한 대로, 목표 지향성(goal orientation)이나 일반 자기 효능감(general self-efficacy)과 같은 성격 특성도 일부 통찰을 제공할 수 있습니다. 또한, 사회적 정체성 특성(social identity traits)이나 학습 목표와 같은 개인적 특성도 유용할 수 있습니다.
마지막으로, 다수의 학습자로부터 오랜 기간에 걸쳐 수집된 데이터의 집계는 추세 분석을 제공하거나, 충분한 규모일 경우 숨겨진 패턴을 발견하는 기계 학습 알고리즘을 훈련시키는 데 사용할 수 있습니다. 최소한으로도, 집단 데이터는 평균 완료 시간 요구 사항과 같은 일반적인 기준을 제공합니다. 더 정교한 시스템에서는 이러한 데이터가 자동화된 진단 및 적응 추천을 개선하고, 문제 있는 교육 섹션을 식별하거나 다양한 유형의 학습자를 위한 최적의 학습 경로를 파악하거나, 학습 인터페이스, 콘텐츠 또는 전달 방식을 점진적으로 개선하는 데 유용할 수 있습니다.
나는 학생 개개인의 필요에 진정으로 기반한 개인화된 학습이 이루어지는 위치에 있고 싶습니다. 동시에 이를 콘텐츠 표준 기대치와 균형 있게 조화시키고 싶습니다. 학생들이 더 깊이 탐구할 수 있는 기회를 가지고, 반응형 교육 기회를 제공받는 모습을 보고 싶습니다.
Nathan Oakley, Ph.D.
Chief Academic Officer
Mississippi Department of Education
적응
다음으로 중요한 고려 사항은 시스템이 수행할 적응의 종류에 관한 것입니다. 이는 디스플레이 요소, 콘텐츠 제공 시기와 내용, 작업 순서, 학습 자료의 내용, 포함된 콘텐츠 기능(예: 관련 예제 선택), 외재적 콘텐츠 기능(예: 피드백과 힌트), 교수 전략 및 전술, 전달 방법, 전달 장치, 성과 기준, 학습 목표, 그리고 다양한 상호작용을 포함하여 여러 요소를 수정하는 것을 포함할 수 있습니다. 이러한 적응 형태는 미시(micro), 거시(macro), 메타(meta) 수준에서 더 크거나 작은 정도로 표현될 수 있습니다.
먼저, 미시 수준은 학습 세션, 문제 해결 기회, 또는 단일 작업 내에서 학습자 행동에 대응한 작업별 적응에 초점을 맞춥니다. 예를 들어, 하나의 대수 문제나 시뮬레이션 시나리오 내에서 이루어질 수 있습니다. 지능형 튜터링 시스템은 이러한 유형의 적응을 제공하지만, 일반적으로 매우 제한된 목적과 주제 영역에 사용됩니다. 지능형 튜터링 기술은 상용화되고 있으며, 인터넷 검색으로 상용 및 오픈소스 도구를 쉽게 찾을 수 있습니다. 하지만 이러한 기성 도구는 잘 정의된 주제 영역에서 가장 잘 작동하며, 수학 튜터는 여러 개 있지만 작문이나 사회적·정서적 기술을 위한 튜터는 상대적으로 적습니다. 잘 정의되지 않은 영역이나 특화된 자료의 경우, 작업별 개인화를 개발하는 데 학습, 공학, 그리고 주제 전문가의 광범위한 투입이 필요하며, 이는 시간 소모적이고 비용이 많이 드는 과정이 될 수 있습니다.
두 번째로, 거시 수준은 콘텐츠 전반의 적응에 초점을 맞춥니다. 이는 다음 학습 주제를 선택하거나, 커리큘럼 내에서 학습 블록의 순서를 조정하거나, 학습자가 익히지 못한 개념을 반복하도록 하거나, 이미 학습한 영역을 건너뛰도록 하는 것을 포함할 수 있습니다. 주어진 ‘주제’ 또는 ‘블록’의 세부 사항은 크게 다를 수 있지만, 이는 학습 에피소드를 나타내며 그 구성 작업이나 더 큰 집합을 포함하지 않습니다. 거시 및 미시 수준의 적응은 일반적으로 단일 애플리케이션 내에서 제한된 시스템에서 발생합니다.
교육에서는 일반적으로 수요보다는 공급에, 성장보다는 규정 준수에, 맥락과 경험보다는 학문적 사실에 초점을 맞추는 경향이 있습니다. 우리는 이를 변화시키려고 노력하고 있습니다. 그리고 이를 통해 우리의 노동력, K-12 교육, 그리고 고등교육 부문을 정렬하는 방식을 만들어가고 있습니다. 아이들은 모두 다르기 때문에, 그들이 우리 시스템을 통해 나아가는 여정 또한 달라야 합니다.
Ken Wagner, Ph.D.
Education Commissioner
Rhode Island Department of Education
세 번째로, 메타 수준에서의 개인화가 점점 부각되고 있습니다. 메타 적응은 서로 다른 커리큘럼, 학습 시스템, 또는 조직 기능에 걸쳐 적용됩니다. 미시 및 거시 수준과 달리, 메타 수준의 적응은 시스템 간 환경(system-of-systems)에서 발생합니다. 메타 적응은 예를 들어, 특정 학습 목표를 달성하기 위해 어떤 애플리케이션을 사용할지 선택하는 것을 포함할 수 있습니다. 예를 들어, 의무병에게 새로운 절차를 온라인 시뮬레이션, 혼합 학습 워크숍, 또는 현장 모바일 훈련 팀을 통해 교육할지를 결정하는 것입니다. 이 예시에서 보듯이, 각 학습 시스템은 고유하며 종종 상호 보완적인 접근법을 사용합니다.
또한, 메타 적응은 특정 시스템 내에서 학습 활동을 보강할 수도 있습니다. 상상의 의무병이 시뮬레이션을 통해 새로운 절차를 배우고 있다고 가정하고, 시스템이 현재 시스템에서 명시적으로 다루지 않는 약리학과 같은 연관 영역에서의 격차를 진단했다고 합시다. 이 경우, 메타 적응 솔루션은 책 한 장, 마이크로 학습 보충 자료, 또는 온라인 강좌와 같은 외부 보충 자원을 추천할 수 있습니다.
메타 적응은 여러 학습 시스템이 데이터를 공유하고 협력하도록 결합하는 현대 학습 생태계의 속성입니다. 이는 표준화된 프로토콜, 기계 판독 가능한 데이터, 잘 정의된 메타데이터를 학습 시스템에서 사용하는 것이 중요한 이유를 강조합니다. 데이터가 시스템 간에 표준화된 방식으로 공유되면, 통합되고 최적화된 학습 경로의 개인화가 가능해지며, 이는 더 넓은 평생 학습 규모에서도 적용될 수 있습니다.
기술적 고려 사항
개인화 설계, 배포 및 영향은 시스템이 배포되는 기술 환경에 크게 영향을 받습니다. 이 섹션에서는 이러한 고려 사항의 일부를 강조합니다.
하드웨어 및 소프트웨어
컴퓨터 기반 개인화는 분명 하드웨어와 소프트웨어를 필요로 합니다. 덜 분명한 점은, 이러한 시스템이 방대한 학습자 데이터를 저장하기 위한 광범위하고 고도로 보안된 디지털 저장소, 온라인 AI 알고리즘을 규모에 맞게 처리할 수 있는 유연한 서버, 또는 API를 통해 데이터를 공유하는 연합 시스템과 같은 특화된 구성 요소를 필요로 할 수 있다는 것입니다. 마찬가지로, 선택된 데이터 소스에 따라 웨어러블 센서, 환경 비콘, 또는 강사 입력용 태블릿과 같은 특수 하드웨어 장치가 필요할 수도 있습니다.
대역폭
개인화 학습 기술은 클라이언트 애플리케이션에서 네이티브로 작동할 수 있지만, 대부분의 시스템은 네트워크 구성 요소(아마도 서비스형 소프트웨어, SaaS 솔루션)를 사용할 것으로 보입니다. 그러나 대역폭 제한이 일부 배포에 영향을 미칠 수 있습니다. 예를 들어, K-12 학교는 많은 사용자가 제한된 인터넷 연결을 공유해야 할 수 있으며, 해상이나 열악한 환경에 있는 군부대는 장기간 연결이 끊길 수도 있습니다. 이러한 경우, 개인화 학습 애플리케이션은 네트워크 사용을 줄이고, 느린 응답 시간에도 작동하며, 연결이 없어도 운영될 수 있도록 설계되어야 합니다. 이를 구현하는 방법으로는 배치 처리, 로컬 복제, 예상되는 다음 단계를 캐싱하는 방식을 들 수 있습니다.
데이터
개인화 학습은 데이터를 필요로 합니다. 데이터 모델은 대규모 검증 및 표준화 연구, 학습 생태계 내 다른 애플리케이션, 또는 중앙 데이터 저장소에서 수집된 기존 데이터를 통해 형성될 수 있습니다. 그러나 한 가지 주의해야 할 점은, 데이터가 많다고 항상 더 좋은 것은 아니라는 것입니다. 이전에 수집된 데이터가 현재 인구를 정확히 반영하는 정도를 판단하는 것이 중요합니다. 예를 들어, 세심한 환경에서는 시험 질문 순서와 같은 미세한 차이에서 편향이 감지되기도 했습니다. 이는 데이터 품질이 외부 소스나 시스템에서 수집된 입력 데이터 모두에 중요한 문제임을 강조합니다.
오류에 대한 내구성, 완전성, 객관성, 공정성, 시의적절성, 일관성 등이 개인화를 위해 매우 중요한 요소들입니다.
또 다른 중요한 고려 사항은 저장 및 처리 요구 사항입니다. 일부 알고리즘은 시스템이 유용하게 작동하기 전에 수백 명 또는 수천 명의 학습자로부터 데이터를 필요로 합니다. 더욱이, 알고리즘에 따라 생성되는 데이터 양은 메모리와 계산 요구 사항을 급격히 증가시킬 수 있습니다.
기계 학습
대규모 데이터는 기계 학습 알고리즘을 훈련하는 데 사용될 수 있습니다. 이를 통해, 예를 들어, 다양한 유형의 학습자에게 가장 적합한 학습 경로를 예측하거나, 사용 패턴에 따라 구식 콘텐츠를 감지하여 스스로 개선하는 시스템을 구축할 수 있습니다. 또한, 기계 학습은 개인화가 서로 다른 인구 집단에 대해 어떻게 작동하는지를 자동화하거나, 시간에 따라 변화하는 상호작용 패턴을 발견할 수도 있습니다. 그러나 기계 학습은 만능 해결책이 아닙니다. 상당한 양의 데이터가 필요하며, 이는 기계 학습 알고리즘이 완전히 배포되기 전에 많은 학습자가 시스템을 사용해야 한다는 것을 의미합니다. 게다가 많은 조직은 개인화 학습 개입의 지속적인 검증을 요구하며, 이는 알고리즘의 기능에 대한 인간의 감독을 포함할 수 있어 복잡성과 비용을 증가시킵니다. 또한, 기계 학습은 투명성과 설명 가능성에 한계가 있을 수 있습니다.
투명성과 설명 가능성
개인화 학습 시스템은 이해관계자가 데이터, 분석, 그리고 행동의 이유를 확인할 수 있는 방식으로 투명하게 작동해야 합니다. 투명성은 블랙박스 기술 시스템과 대조적으로 정의되며, 블랙박스 시스템은 동일한 작업을 수행할 수 있지만 사용자가 시스템의 의사 결정 과정을 추적할 수 없습니다. 이상적으로는, 개인화의 출력물이 개별 수준과 집계 수준에서 모두 이용 가능해야 하며, 사용자가 상세 설명 보기로 드릴다운(또는 드릴스루)할 수 있도록 해야 합니다. 학습자, 교사, 관리자, 감독자 및/또는 지휘관을 위한 데이터 시각화 및 대시보드는 여기에서 유용할 수 있습니다.
저는 다양한 경로를 통해 역량을 개발하고 궁극적으로 원하는 직업을 얻을 수 있는 미래가 흥미롭고 기대된다고 생각합니다. 너무 오랫동안, 우리는 성공에 이르는 단일한 경로만을 가져왔습니다. 그것은 종종 역량을 구축하는 메커니즘이라기보다는 필터 역할을 해왔습니다.
Shantanu Sinha
Director, Product Management, Google; Former Founding
President and Chief Operations Officer, Khan Academy
개인화 학습 시스템은 투명할 뿐만 아니라 설명 가능해야 합니다. 이는 이해관계자가 시스템의 행동을 이해하고 적절히 평가하며 수용할 수 있도록 돕습니다. 다음의 차이를 고려해 보세요: 기술 시스템이 투명성을 결여했다면, 독점적인 기능과 블랙박스 기계 학습을 포함할 수 있습니다. 그러나 이러한 알고리즘을 드러낸다고 해서 반드시 그 기반 논리나 발생적 행동을 이해할 수 있게 되는 것은 아닙니다. 설명 없이 투명성만 강조하면 여전히 혼란을 초래할 수 있습니다. 따라서, 개인화 학습 시스템은 추정치와 적응의 이유를 설명하는 설명을 제공해야 합니다.
예를 들어, 개인화 학습 시스템은 확률적 수학을 사용해 추정치를 업데이트하고 이를 결론에 결합할 수 있습니다. 연구에 따르면, 단순히 확률을 표시하는 것은 유용하지 않은 경우가 많습니다. 심지어 잘 교육받은 사용자조차 이를 직관적으로 이해하기 어려워할 수 있기 때문입니다. 대신, 설명 가능한 시스템은 친숙한 용어로 자연어 설명과 결정의 근거를 제공할 수 있습니다. 또한, 일반적으로 스스로를 설명하지 않는 복잡한 시스템에 대해 사후 설명을 구성하는 방법을 조사하는 최근 연구도 있습니다.
투명하고 설명 가능한 시스템의 출력물은 최종 사용자에게 실행 가능해야 합니다. 시스템은 단순히 데이터를 출력하는 것에 그치지 말고, 이를 사용하는 이해관계자에게 데이터를 의미 있게 전달해야 합니다. 예를 들어, 개방형 학습자 모델, 교사용 대시보드, 또는 관리자와 조직 의사 결정자를 위해 설계된 시각화로 제공될 수 있습니다. 그리고 이러한 시스템이 우수한 설명 가능성을 통합하면, 사용자는 시스템을 더 신뢰하고, 그 한계를 이해하며, 시스템의 권장 사항에 따라 행동하고, 지속적으로 시스템을 사용할 가능성이 높아집니다.
제어
투명하고 설명 가능한 시스템은 사용자가 애플리케이션이 왜 그리고 어떻게 작동하는지 볼 수 있도록 해줍니다. 하지만 이해관계자가 시스템의 일부 기능을 제어하고 싶다면 어떻게 될까요? 시스템은 학습자, 강사, 그리고 다른 인간 이해관계자들이 시스템의 추정이나 행동에 영향을 미칠 수 있도록 허용할 수 있습니다. 이러한 인간-기계 팀워크는 진행 중인 연구 영역입니다. 이상적으로는, 학습 이해관계자들이 원하는 종류의 통제를 유지하면서, 방대한 양의 데이터 또는 세부적인 데이터를 빠르게 처리할 수 있는 보완적 기술에 작업을 위임할 수 있어야 합니다.
사용성
마지막으로, 개인화된 학습을 효과적으로 구현하기 위해서는 사용성과 사용자 수용도가 중요한 성능 지표입니다. 사용성 이해관계자에는 학습자, 강사, 관리자뿐만 아니라, 개인화된 학습을 계획하고 구현하는 교수 설계자, 데이터 모델과 적응 알고리즘을 모니터링해야 하는 시스템 엔지니어, 그리고 학습 생태계 내 다른 애플리케이션의 개발자들도 포함됩니다.
효과적인 개인화 학습 구축
결국, 개인화의 목적은 학습자가 학습 목표를 더 효과적이고 효율적으로 달성할 수 있도록 돕는 것입니다. 하지만 특정 시스템—그 데이터, 분석, 적응적 개입—이 얼마나 잘 작동하는지를 어떻게 판단할 수 있을까요? 첫 번째로 물어야 할 질문은 시스템이 기능적인지 여부입니다. 즉, 다양한 학습자들에게 그들의 필요에 맞는 경험을 제공하고 있는가? 설계와 기대에 따라 작동하는지 확인할 수 있는가? 이러한 평가 요소를 몇 가지 범주로 나눠서 검토하는 것이 유용합니다. 예를 들어, 소프트웨어 애플리케이션으로서의 시스템 성능은 어떤지 고려하십시오. 여기에는 사용자가 시스템의 도움 없이 수행하는 작업량, 작업 과정과 관련된 시간 정보, 기본 모델의 정확성과 관련된 정보, 시스템과 상호작용하는 사용자 행동 등이 포함됩니다. 애플리케이션 내 콘텐츠의 품질을 평가하는 것도 유용합니다. 예를 들어, 시스템이 목표 학습 결과를 위한 추천을 얼마나 광범위하게 제공하는지, 시스템이 사용하는 교육 “카탈로그”의 품질, 그리고 제공된 교육 개입의 품질을 고려해야 합니다.
교육 개입의 품질은 여러 차원에서 측정될 수 있습니다. 여기에는 다양한 학습 개입의 폭, 민감도, 완전성이 포함되며, 시스템이 전체 카탈로그 중 제공하는 고유한 추천의 비율이나 시스템이 여러 사용자에게 동일한 몇 가지 인기 있는 결과를 추천하는 빈도도 포함됩니다. 관련된 질문으로는 다음과 같은 것이 있습니다: 학습자 간 지원과 피드백에서 어떤 차이가 있었는가? 한 주제에서 다음 주제로 진행되는 순서에 차이가 있었는가? 학습자들이 특정 작업이나 콘텐츠와 관련된 작업 중 어느 지점에서 막혔는가? 훈련을 중단하거나 일시 정지한 빈도는 어느 정도였는가? 또는 시스템을 활용하지 않은 행동이나 시스템을 우회하려는 시도가 있었는가?
다음으로 물어야 할 질문은 시스템이 효과적인지 여부입니다. 즉, 학습 경험의 결과를 향상시키는 적응을 하고 있는가? 우리가 추구하는 더 넓은 목표를 달성하고 있는지 검증할 수 있는가? 가장 명백하게는, 훈련의 효과성과 효율성 측정, 즉 시스템이 다른 방법에 비해 더 나은 주제 숙달을 이루거나 더 빠른 완료 속도를 제공했는가를 포함합니다. 그뿐만 아니라, 학습자 유지율 증가, 동기 부여 개선, 특정 태도 형성, 또는 사회적 상호작용을 장려하는 것과 같은 다른 결과도 동일하게 바람직할 수 있습니다.
마지막으로, 개인화 학습 시스템을 평가할 때 실질적인 고려 사항도 있습니다. 비용은 얼마나 되는가? 개발에 소요된 시간과 자원은 얼마나 되는가? 운영 및 유지보수 비용은 어떠한가? 시스템 구성 요소가 모듈형, 확장 가능, 확장성 및 재사용 가능하게 설계되었는가? 얼마나 많은 데이터를 수집하며, 이러한 데이터는 어떻게 처리되고 있는가? 궁극적으로, 시스템이 투자 대비 높은 가치를 제공하고 있는가?
결론
개인화는 효과적인 학습 결과를 달성하기 위한 가장 중요한 방법 중 하나이며, 컴퓨터를 활용한 개인화는 이 혜택을 더 많은 학습자에게 제공할 수 있습니다. 학습 과학 분야는 교육 이론과 인지 과학에 대한 수십 년간의 연구를 통해 무엇을, 어떻게 학습에 적응시킬지에 대한 이해를 발전시켰으며, 기술 혁신은 이러한 방법을 효율적이고 효과적으로 대규모로 구현할 수 있는 능력을 향상시키고 있습니다.
학습 개인화의 약속은 개별 구성 요소와 학습 시스템이 하나의 시스템-시스템으로 협력하며 데이터를 공유하고 학습자의 경로를 장기적이고 다양한 경험 전반에 걸쳐 최적화할 때 실현될 것입니다. 학습 개인화의 잠재력은 막대하며, 연구자와 교육자들은 이제 그 가능성을 탐구하기 시작했습니다.
우리가 들은 가장 중요한 요점 중 하나는 원칙 목록의 필요성에 관한 것이었습니다. 기술이 주도해서는 안 되며, 기술은 우리 시스템이 공정하고 윤리적인 결과를 달성할 수 있도록 지원하는 역할을 해야 한다는 점이 강조되었습니다.
Amber Garrison Duncan, Ph.D.
Strategy Director, Lumina Foundation