1. 서 론

네트워크 기술의 발달과 확산으로 새로운 차원의 교육환경 및 교수 방법이 제시되고 있으며 특히 하이브리드 러닝(Hybrid Learning: 이하 HL)에 대한 연구가 활발히 진행되고 있다. HL은 대면(Face-to-Face)교육과 컴퓨터 중재 교육(Computer-mediated instruction)을 결합한 교육 방식을 말한다^[1]. HL은 면대면 학습 시간을 줄이고 온라인 학습과 지역사회 또는 조직에서 일어난 체험적 학습을 포함하는 교육이다^[2]. HL은 교수학습을 개선하기 위해 시간과 장소를 수정하거나 보완할 수 있다는 장점이 있다. 또한 비동시성과 동시성의 학습 요소를 교육적 목적에 따라 혼합하여 활용할 수 있으며 이를 학습자가 자신의 상황과 성향에 맞춰 주도적으로 선택할 수 있다는 장점을 가지고 있다. ^[3]의 연구에서는 실제 수업에서 하이브리드 학습 구성이 자기주도 전략과 프로젝트 작업 능력, 학습 결과의 만족에 영향을 미치는지를 확인하면서 하이브리드 교육 환경에 대한 효과성을 검증하였다. 또한 ^[4]의 연구에서는 학업성취도에 대한 하이브리드 학습의 효과를 조사하였는데 특히 과학 분야에서 학업성취도의 효과가 큰 것을 밝혔다. 이러한 결과는 HL 환경의 장점이 인공지능 교육(이하 AI 교육)에도 효과를 줄 수 있을 것으로 기대된다.

AI 교육은 인공지능의 기술을 활용하여 실생활의 문제를 해결하면서 컴퓨팅 사고력(Computational Thinking: 이하 CT)을 함양하는 데 목적을 둔 교육이라 할 수 있다. 실생활의 문제를 컴퓨팅 기술을 활용하여 해결해 나가는 과정에서 컴퓨터과학자처럼 사고하여 문제를 해결할 수 있는 역량을 키우는 것이다^[5]. AI 교육은 기술과 환경 변화에 민감하게 반응해야 하는 특징을 가지고 있다. 또한 AI 교육은 특정 개발자만의 교육이 아닌 모두의 교육으로 유아부터 성인에 이르기까지 전연령대에 걸쳐 필요하다. 이에 학습자의 연령, 수준, 교육환경 등의 학습 상황을 고려한 개인 맞춤형 AI 교육 지원이 필요하다. 특히 실습을 통한 학습의 비중이 높은 AI 교육의 특성상 학습자가 다양한 경험을 할 수 있도록 체계적으로 지원할 필요가 있다.

이에 본 연구는 학습자의 학습 경험을 중요시하는 경험학습 기반 AI 교육의 개념모형과 설계 원리^[6]를 보다 효과적으로 운영하기 위해 HL 환경에서의 교육 체제 설계 전략을 제안하고자 한다. 이를 위해 AI 교육에 있어서 학습자의 학습 경험을 도출하고 이에 따른 HL 요소와 세부 기능을 도출하고자 한다.

본 연구를 통해 AI 교육이 지식 위주의 학습이 아닌 실생활 문제를 다루는 만큼 AI 교육 내용, 방법에 대한 연구와 더불어 AI 교육 환경에 대한 연구의 필요성을 제기할 수 있기를 기대한다. 또한 본 연구에서 제시한 설계 전략을 실제 교육 현장에서 적용했을 때 HL 환경에서 학습자의 학습 경험을 중심으로 AI 교육이 체계적으로 운영되어 컴퓨팅 사고력을 함양하기 위한 AI 교육의 효과가 높아질 것을 기대한다.

2. 하이브리드 러닝 환경에서의CT-EL 기반 AI 교육

하이브리드(Hybrid)란 서로 다른 요소의 장점만을 선택해 합친 것으로 성능이나 경제성이 뛰어난 특징을 갖고 있다. HL은 이질적 요소의 결합, 경계의 모호성, 효율성의 증대라는 하이브리드의 주요 특징을 접목한 것으로 학습에 있어 온오프라인을 혼합한 학습 환경에서 어떻게 하면 학습자의 학습 효율성을 높일 것인지에 대한 방법론이다^[7]. 특히 HL은 학습자가 주도적으로 자신이 선호하는 학습 환경을 효율적으로 선택할 수 있는 장점을 가지고 있다. ^[8]의 연구에서 교수자는 온오프라인 환경의 25\% 이내의 교수설계를 기준으로 학습자가 자율적으로 HL 환경을 설정할 수 있다고 하였다.

CT-EL 기반 AI 교육(CT 함양을 위한 경험학습 기반 AI 교육, 이하 CT-EL AI 교육)은 학습자의 연령별, 수준별 개인의 수준과 특성을 반영한 맞춤형 교육을 지향한다^[6]. 특히 AI 교육은 실천 중심의 교육으로서 지식 위주의 교육이 아닌 주도적인 학습 경험과 실천을 중요하게 본다는 점에서 HL에서 추구하는 목표와 맥을 같이 한다. 본 연구는 AI 교육이 보다 맞춤형 교육으로 이루어질 수 있도록 HL 환경에 대한 주도적 선택, 학습자 특성에 따른 추천 및 모니터링을 통한 지속적인 CT 함양 지원 등을 HL 요소에 접목하고자 한다.

3. 하이브리드 러닝 환경에서의 CT-EL 기반AI 교육 체제 설계를 위한 교육 시스템 사례 분석

학습자 맞춤형 교육을 위한 학습 시스템이 다양하게 개발되어 서비스되고 있다. 특히 최근의 지능형 교육 시스템을 비롯한 에듀테크 시스템 등은 학습자의 교육적 반응과 경험을 최대한 반영하여 실시간으로 지원하는 서비스가 가능해졌다. 본 연구는 HL 요소를 기반으로 다음과 같이 7가지의 요소를 제시하여 기존의 시스템을 분석하고자 한다. ➀ HL 기반 커뮤니티 구축 ➁ 모니터링 ➂ 추천 시스템 ➃ 학습자 분석 ➄ 포트폴리오 관리 ➅ 심리·정서 지원 서비스 ➆ HL 환경이다. 표 1은 위에서 제시한 HL 요소 7개를 중심으로 관련 시스템들을 비교 분석한 것이다.

표 1은 현재 상용화되어 서비스하는 학습 시스템을 중심으로 구성하였다. Lexile 시스템은 미국 독서능력지도를 시스템에 모델링화한 것으로 학습자의 성취도를 비교, 분석한 후 다음 차시 콘텐츠를 제시하는 전략을 주된 기능으로 사용하고 있다. InnoveEdu 시스템은 세계 각국에서 교육 혁신에 대한 연구 및 보급 경험이 있는 조직이나 전문가들이 공교육의 변화를 이끈 사례 등을 공유하는 것으로 21세기 기술, 맞춤형 학습, 실습 학습, 커뮤니티 기반 학습 등의 정보를 공유하고 탐색하는 것을 돕고 있다. Achieve3000 시스템은 문해력, 수학, 과학 및 사회 연구에서 학습을 크게 가속화하고 심화하는 포괄적인 디지털 솔루션 제품군을 제공하는 시스템으로 데이터 센터, 학습 성장(애상 성장, 실제 성장, 가족 성장)을 측정하는 기능 등을 구현하고 있다. Thinkstar LLC 시스템은 검색엔진 제공업체와 협력하여 사이트 방문, 코디, 분석, 예측 알고리즘 및 AI로 표시하여 구매자의 요구와 관심을 모니터링하고 지시한다. 사용자의 행동 모니터링 기능이 있어 소비 패턴과 상품을 추천하는 등의 기능을 구현하고 있다. Drambox 시스템은 학생 데이터를 지속적으로 확인하여 교육자가 진행 상황을 측정하고 학습 효과를 확인하는 수학 및 문해력 학습 시스템이다. ALEKS 시스템은 캘리포니아 대학교에서 인지 과학자, 소프트웨어 엔지니어, 수학자 및 교육자들에 의해 개발된 시스템으로 수학, 화학, 통계 등 연구 기반 온라인 학습 시스템이다. Khan Academy 시스템은 수학, 영어, 컴퓨터 교육, 예술 및 인문학 교육 등을 무료로 제공하는 비영리교육기관 시스템으로 즉각적인 피드백과 경로 분석, 학습자의 강점, 약점 분석 등의 주요 기능을 구현하고 있다. 마지막으로 CHIVOX 시스템은 AI 기술을 활용한 언어 교육 학습 시스템으로 AI 코치, 음성인식 테스트 기능, 개별 보고서 기능 등을 구현하고 있다.

위 시스템들을 분석한 결과 기본적으로 개인 맞춤형 학습 지원을 돕는 것을 목적으로 모니터링 기능, 추천 시스템, 학습자 분석, 경력 관리 기능이 구현하고 있었다. 특히 주목할 것은 학습자의 심리 측정을 위한 서비스를 제공하는 시스템(Lexile, Avhieve3000)이 있었으며 온오프라인 혼합환경 서비스를 지원하기도 하였다.

이를 종합해볼 때 수학, 문해력 등 체제적인 교육과정이 있어 학습자의 수준을 파악하는 데 용이한 시스템이 대부분이었다. 하지만 본 연구에서 강조하고 있는 경험학습을 중심으로 한 교육 시스템, 즉 학습자에게 다양한 경험을 제공할 수 있는 시스템은 아직 미비한 실정이다. 또한 커뮤니티 구축도 학습자, 학부모, 교수자가 주된 구성원이었다. InnoveEdu, Thinkstar. LLC 시스템과 같이 지역사회 간, 글로벌 기관 및 학교 간의 다양한 커뮤니티를 활용한 교육 시스템 개발과 설계가 필요하다.

4. 연구 방법 및 내용

본 연구는 HL 환경에서 CT-EL AI 교육을 설계할 때의 교수전략을 제안하고자 한다. 학습자의 다양한 경험을 체제적으로 지원하기 위해 (1) CT-EL AI 교육의 교육 체제 및 학습 절차 추출 (2) CT-EL AI 교육 체제를 위한 학습 경험을 도출하였다. 또한 하이브리드 학습 환경을 극대화하기 위해 (3) HL 요소 설정 및 세부 기능 추출 과정으로 진행한다. (1), (2), (3)에서 추출한 요소를 바탕으로 HL 환경에서의 CT-EL AI 교육 체제 설계 전략을 제안하고자 한다.

5. 하이브리드 러닝 환경에서의 CT-EL 함양을 위한 AI 교육 체제를 위한 설계 전략 제안

본 논문에서는 4장에서 추출된 ➀ 4P 교육 체제, ➁ 순환적 학습모형 절차, ➂ 학습 경험, ➃ HL 요소를 바탕으로 HL 환경에서의 CT-EL AI 교육 체제의 설계 전략을 제안한다. 그림 1에서 보는 바와 같이 CT-EL AI 교육을 설계하기 위해서는 X축인 4P AI 교육 체제, Y축은 학습 경험, Z축은 경험학습 절차(순환적 학습모형)로 X축→Y축→Z축 순으로 교육을 설계한다. 이는 학습자의 연령별, 수준별 AI 교육 체제를 선정한 후 학습자의 경험에 따른 학습 절차를 고려하기 위함이다.

그림 2는 AI 교육 설계 시 고려해야 할 사항을 구조화한 설계 전략 구성도이다. 본 구성도는 4가지 대영역(4P AI 교육체제, 학습 경험, 학습 절차, HL 요소)에 4가지 하위영역을 두고 있다. 특히 ➂ 경험학습 절차는 순환적 절차가 포함된 영역이라 1, 2, 3, 4의 순서를 표시하였다.

교수자는 AI 교육을 설계할 때 ➀ 학습자의 연령별 수준을 고려하여 4P AI 교육 체제의 단계를 선택하여 교육내용을 선정한다. ➁ 학습 경험을 4개로 구분하여 실생활 문제해결 경험, 성찰적 사고 경험, 협업적 문제해결 경험, AI 학습 경험을 선정하고 이에 따른 학습 내용과 교수 방법을 설계한다. ➂ 경험학습의 순환적 모형에 따라 구체적 경험→반성적 사고→추상적 개념과→능동적 실험의 과정을 거쳐 교수학습이 이루어질 것을 계획한다. ➀, ➁, ➂ 과정을 확정하고 난 후 ➃ HL 학습 요소 4가지를 모두 충족할 수 있도록 한다.

예를 들어 Play 단계에 AI 교육을 설계할 때 실생활 문제해결 경험을 위해 구체적 경험을 할 수 있는 교육 내용을 구성한다. 이때 HL 4요소 (1) 지식- 온라인 콘텐츠 제작, 학습자 분석 설계 (2) 상호작용- 학습 커뮤니티 구축 (3)하이브리드 설계- 하이브리드 환경(온오프라인 학습 설계), 하이브리드 관리-성찰 포트폴리오로 선정하여 HL 요소를 AI 교육에 적용할 수 있도록 설계하는 것이다.

본 구성도를 통해 교수자들은 HL 환경에서의 학습 설계를 체제적으로 계획할 수 있으며 이에 대한 온, 오프라인 학습 구성을 계획할 수 있을 것이다.

본 연구는 HL 환경에서의 AI 교육 체제가 어떤 점이 효과적인지 분석하기 위해 경험학습 이론을 접목하지 않은 AI 교육과 CT-EL AI 교육^[6]을 비교하였다. AI 교육 체제 분석 기준은 경험학습 기반 AI 교육의 교수설계 원리^[6]로 설정하였다.

분석 기준인 AI 교육에서의 경험학습 교수설계 원리에 해당하는 10가지 원칙은 표 5와 같다^[6]. 첫째, 교수 목표 설정 단계 원칙으로 ① CT 함양을 위한 교육 목표 세우기 ② 경험학습 기반 AI 교육의 학습 목표와 방향성 설정하기 ③ 학습양식별 AI 교육의 교수전략 세우기이다. 둘째, 학습 경험 선정단계 원칙으로 ④ 협력적 상호작용을 통한 의사소통 경험하기 ⑤ 실생활 문제해결력 함양을 위한 경험학습 시도하기 ⑥ 흥미 요소가 가미된 AI 경험을 통해 긍정적 정서를 조절하기이다. 셋째, 학습 경험 조직단계 원칙으로 ⑦ 반성적 사고를 통한 실패 내성 높이기 ⑧ 순환적 학습모형 적용하기이다. 넷째, 학습성과 평가단계 원칙은 ⑨ 과정 중심 수행으로 평가하기 ⑩ AI 교육의 접근 단계마다 피드백 및 평가하기이다. 위 제시된 설계 원칙에 따라 적용 가능성이 높은가에 따라 상·중·하로 나누고 ●→◎→○ (●: 적용 가능성 매우 높음, ◎: 적용 가능성 : 높음, ○: 적용 가능성 보통 ) 순으로 표시하였다.

비교 대상은 경험학습 이론을 접목하지 않은 일반적인 AI 교육과 CT-EL AI 교육, HL 환경에서의 CT-EL AI 교육이다.

표 5에 대한 분석 결과는 다음과 같다. 첫째, 학습 목표 설정 단계는 AI 교육, CT-EL AI 교육, HL 환경에서의 CT-EL AI 교육 모두 적합하게 나타났다. 둘째, CT-EL AI 교육은 학습 경험을 조직하는 단계에서 다른 교육보다 설계 원리에 적용 가능성이 높게 나타났다. 마지막으로 HL 환경에서의 CT-EL AI 교육이 기존 CT-EL AI 교육보다 학습 경험 선정단계와 학습성과 평가단계에서 설계 원칙에 적용 가능성이 높게 나타났다.

그림 1. CT-EL AI 교육 시스템 설계 요소

Fig. 1. CT-EL AI Education System Design Elements

그림 2. HL 환경에서의 CT-EL AI 교육 시스템 설계 요소

Fig. 2. CT-EL AI education design strategy in HL environment

6. 결 론

본 연구는 CT-EL AI 교육의 효과성을 높이기 위해 HL 환경에서의 교수설계 전략을 제안하였다. 이를 위해 4P 기반 AI 교육 체계를 중심으로 경험학습의 원리에 부합한 학습자의 학습 경험을 4가지로 제시하고 HL 요소별 세부 기능을 구조화하였다. 이는 학습자의 학습 경험을 구체적으로 제시하고 이에 따른 AI 교육을 설계하여 경험학습 원리를 극대화하기 위함이다.

또한 일반적인 AI 교육과 CT-EL AI 교육과 비교했을 때 HL 환경에서의 CT-EL AI 교육은 CT-EL AI 교육보다 학습 경험을 선정하고 학습성과를 평가하는 데 적합한 교수환경과 방법임을 알 수 있었다. 하지만 비교 기준이 CT-EL AI 교육의 설계 원리를 기반으로 한 것이라 일반화하기에 다소 어려움이 있다. 향후 연구에서는 실제 교육을 운영하여 교육 목표, 학습 경험 선정, 교육 평가 등에 어떤 차이가 있는지 밝히는 연구가 필요할 것이다.