2.1 초⋅중⋅고등학교 인공지능 교육 현황

한국은 2019년 12월 대통령 주재로 열린 국무회의에서 과학기술정보통신부를 비롯하여 전 부처가 참여하여 ‘인공지능(AI) 국가전략’을 발표했는데, ‘AI를 가장 잘 활용하는 나라’가 될 수 있도록 학생, 교원, 재직자, 일반인, 장애인 등을 모두 포함하는 전 국민 인공지능 교육체계 구축 등의 추진전략을 제시하였다(과학기술정보통신부, 2019, 장은실 등, 2019: 167-177).

차세대 인공지능 융합형 정보인재 양성을 위한 소프트웨어 교육 혁신 포럼에서는 초⋅중등 교육현장에 적용할 차세대 소프트웨어 교육과정 표준모델을 공개했는데, 인공지능 관련 내용을 미래 SW교육의 주요 영역으로 추가하여 AI 교육 표준 모델 및 단계별 수행 기대 수준을 함께 제시하였다. 초등학교 3~6학년까지는 인공지능 활용 사례와 개념 이해, 중학교 1~3학년까지는 표현 및 추론, 머신러닝 기초, 고등학교 1~2학년까지는 머신러닝 심화, 인공신경망이 주요 교육 내용으로 구성되어 있는데, 적용 시기는 아직 미정인 상태이다(박경미, 한국정보과학교육연합회, 2019).

미국의 인공지능 교육은 2017년도부터 시작했고, EU는 2020년도부터 시작하는데, 미국의 경우는 모든 학년에 걸쳐 핵심 주제를 모두 다루지만 세부 내용과 수준에는 차이를 두고 있다. 예를 들어 한국에서는 인공신경망의 주제를 고등학교 단계에서 교육을 시작하지만 미국에서는 중학교 단계에서부터 교육을 시작하고 고등학교에서는 심화된 세부적인 내용 요소와 성취 기준의 내용들을 다루고 있다(이은경, 2020: 37-44).

한국에서도 미래 시대를 대비하기 위하여 초⋅중⋅고등학교에서의 AI 교육 표준 모델을 제시하였으나, 인공지능 교육 방향을 설정하고 세부 내용의 요소 선정, 성취 기준 등의 중요한 지침을 위해서는 인공지능 교육을 통하여 무엇을, 어떻게 가르칠 것인가에 대한 개념적 지식의 중요성을 포함하여 구체적으로 제시될 필요가 있다. 한국에서는 SW교육의 한 영역으로 인공지능 교육을 포함하여 서로 유기적으로 이루어진다는 점은 긍정적으로 볼 수 있지만, 미국, EU, 일본, 중국 등에 비하여 인공지능 교육의 필수 요소들을 포함하지 못한다는 점은 극복해야할 부분이다(이은경, 2020: 37-44).

2.2 대학교(원) 인공지능 기초교육 현황

인공지능 인재 양성을 위하여 세계는 지금 인공지능 교육에 박차를 가하고 있다. 인공지능 인재 양성을 위해서는 대학교의 역할이 중요하기 때문에 과학기술정보통신부는 인공지능 핵심 지식과 융합 역량을 갖춘 선도 연구자 양성을 위하여 2019년도에 인공지능 대학원 5개교 선정을 시작으로 2020년도에는 3개교를 추가 선정하여 인공지능 대학원을 8개교로 확대하였다. 인공지능 대학원에 선정된 대학교는 인공지능 석학 배출, 인공지능 전공 교수진 확충, 인공지능 중심 특화 교육체계 구축, 전교생 대상 인공지능 교육 확산 등의 운영 방향 계획을 제안했다(과학기술정보통신부, 2020).

과학기술정보통신부는 2015년도부터 선정된 SW중심대학을 통하여 SW 전문 인력 양성, SW 인력 양성 저변 확대, 실효성 있는 산학협력, SW 특화 교육환경 구축, SW 가치 확산 등을 실현하기 시작했다. 2019년도에 추가로 선정된 5개 대학교는 SW 교육 혁신이라는 기존의 목표와 함께 인공지능 분야의 인력양성을 위해 인공지능 융합 인력 교육에 집중해야 한다(과학기술정보통신부, 2019, 장은실 등, 2019: 81-90).

이와 같이 한국에서도 인공지능 인재 양성을 위하여 다양한 형태로 막대한 예산과 지원을 아끼지 않으며 전력을 다하고 있다. 그러나 인공지능 전문 인력 양성 외에도 인공지능 융합 인력 양성을 위해서는 여러 분야의 비전공자 대상의 인공지능 기초교육이 제공되어야 한다. 전공자 수준이나 심도 있는 인공지능을 학습하기 전에 인공지능의 기초가 선 이수되어야 심화 학습에서 교육의 효과가 극대화 될 것이다. 이러한 중요성을 빠르게 인지한 대학교들은 비전공자를 위한 인공지능 및 빅데이터 선택 교과목을 개설하여 심화 과목을 수강하기 전의 선 이수 과목으로 운영하고 있다(강현구, 2019: 58-61).

그러나 인공지능 융합 인력을 보다 적극적으로 양성하기 위해서는 비전공자 대상의 인공지능 기초교육을 선택과목으로 운영하기보다는 필수과목으로 운영할 필요가 있다(우호성, 이현정, 김자미, 이원규, 2020: 13-20). SW 교과목을 교양필수 과목으로 운영하는 대학교는 많지만 인공지능 교과목을 교양필수 과목으로 운영하는 대학교는 아직까지는 거의 없다. 이러한 중요성과 필요성을 발 빠르게 인지하여 수용한 A대학교에서는 2020학년도에 입학한 이공계열 신입생 전체를 대상으로 인공지능 교양필수 교과목을 운영했고, 설문을 통하여 수강생들의 의견을 분석하였다. 이를 토대로 인공지능 인재 양성에 박차를 가할 중요한 토대와 계기가 마련될 것이다.

3.1 연구 대상

본 연구는 A대학교 이공계열 신입생 1089명을 대상으로 인공지능 교양필수 교과목을 교육 후 설문을 진행하여 응답받은 결과를 기초자료로 하였다. 소속 단과대학별 수강생과 설문 응답자 인원수에 대한 정보는 다음 <표 1>과 같다.

<표 1>

수강생 및 설문 응답자 정보

인공지능 교양필수 교과목은 총 28개 분반으로 8명의 교⋅강사가 담당하여 교육을 진행했는데, 연구자가 담당한 수강생은 245명이었다. 연구자의 담당 수강생들에게는 학기 초에 본인의 마음가짐과 본 교과목을 통하여 얻고 싶은 점에 대하여 설문을 진행하여 의견을 받아 보았다. 본 교과목을 통하여 파이썬 언어를 이용한 프로그래밍 기초 및 실력 배양과 인공지능에 대한 이해 및 활용 능력을 얻고 싶어 했다. 이러한 의견들을 워드 클라우드로 표현했더니 [그림 1]과 같이 나타났다.

[그림 1]

수강생들의 학기 초 마음가짐

3.2 수업 적용

이공계열 대상의 인공지능 교양필수 교과목은 16주 동안 중간 및 기말고사를 제외하고 28차시를 교육하는데, 각 주차는 2차시로 구성되어 있다. 1차시는 오프라인으로, 2차시는 온라인으로 수업을 진행하는 혼합형 학습(Blended Learning) 방식의 수업 구성표는 다음 <표 2>와 같다. 그러나 코로나19 특수 상황으로 이번 학기만 모두 온라인으로 진행하였다.

<표 2>

수업 구성표

매 주마다 학습한 실습 내용을 점검할 수 있도록 퀴즈를 제공했고, 4회에 걸쳐 형성 평가를 시행하여 학습 내용을 향상시킬 수 있도록 했으며, 최종적으로 중간 및 기말고사를 통하여 총괄적인 평가를 시행하였다. 코로나19 특수 상황으로 모든 평가는 온라인으로 진행했는데, 주차별 수업 내용에 따른 교육 방법과 학습 점검 및 평가에 대한 세부 수업 안내서는 다음 <표 3>과 같다.

<표 3>

수업 안내서

3.3 연구 자료 수집 및 분석

본 연구를 위하여 사용한 설문 자료는 2020학년도 1학기 인공지능 교양필수 교과목을 수강한 이공계열 수강생을 대상으로 학기 마지막 주에 시행한 학기말 설문의 응답 자료(응답자 총 565명)이다. A대학교의 인공지능 교과목은 이공계열 대상의 교양필수 교과목으로의 첫 운영이고, 향후 인공지능 인재 양성을 위한 기초교육의 토대가 될 중요한 기초자료가 될 것으로 판단했기 때문에 강의 평가와는 별도로 본 교과목에 대한 난이도와 만족도 등의 학습자 의견을 받아볼 필요가 있었다. 해당 설문은 구글 설문 주소를 SMS로 전송하여 수강생들이 익명으로 작성할 수 있도록 했다. 설문 기간은 1학기 마지막 주 강의가 시작되는 6월 22일에 시작하여 10일간 진행하였다. 설문은 5점 척도형(매우 그렇다, 그렇다, 보통이다, 그렇지 않다, 매우 그렇지 않다)의 폐쇄형 문항과 개방형 문항으로 구성하였다.

폐쇄형 질문의 응답 결과는 기술통계 자료로만 제시하고 개방형 질문의 응답 결과는 코딩 방식의 범주화 작업을 통하여 정리한 항목을 제시하고자 한다.

3.4 설문 방향 설정

인공지능 교양필수 교과목의 가능성과 흥미도 및 이해도를 간접적으로 파악할 수 있도록 중간고사 이전의 파이썬 영역과 이후의 인공지능 영역으로 나누어 만족도와 난이도의 적절성으로 설문의 방향을 설정하여 진행하였다. 폐쇄형 문항을 통하여 본 교과목의 만족도와 난이도를 분석하고, 개방형 문항을 통하여 받은 추가 의견은 범주화하여 질적 자료로 분석하였다. 폐쇄형 설문 문항은 다음 <표 4>와 같고, 개방형 설문 문항은 <표 5>와 같다.

<표 4>

폐쇄형 설문 문항

<표 5>

개방형 설문 문항

4.1 폐쇄형 설문 분석

중간고사 이전까지 진행한 파이썬 교육 내용에 대한 만족도는 평균 50% 이상이 비교적 만족한 편이고, 평균 35% 정도는 보통, 나머지는 만족하지 않은 것으로 나타났다. 비교적 만족도가 높은 약 50% 이상의 응답자들은 이론(1차시)에 대한 만족도가 실습(2차시)에 대한 만족도보다 높게 나타났고, 보통 이하의 만족도를 보인 응답자들은 이론(1차시)에 대한 만족도보다 실습(2차시)에 대한 만족도가 높게 나타났다. 세부 응답 결과는 다음 [그림 3]과 같다.

[그림 3]

전체 응답자의 파이썬 만족도

파이썬 교육 내용에 대한 난이도는 평균 44% 정도만 비교적 적절한 것으로, 평균 42% 정도는 보통, 나머지는 적절하지 않은 것으로 응답했다. 비교적 난이도가 적절하다고 응답한 약 44% 정도의 수강생들은 이론(1차시)에 대한 난이도를 실습(2차시)의 난이도보다 적절한 것으로 응답했고, 난이도 적절성에 대하여 보통 이하로 응답한 수강생들은 이론(1차시)의 난이도보다 실습(2차시)에 대한 난이도를 적절한 것으로 응답했다. 세부 응답 결과는 다음 [그림 4]와 같다.

[그림 4]

전체 응답자의 파이썬 난이도 적절성

중간고사 이후에 진행한 인공지능 교육 내용에 대한 만족도는 평균 40% 정도만 비교적 만족한 편이고, 평균 40% 정도는 보통, 나머지 20%는 만족하지 않은 것으로 나타났다. 비교적 만족도가 높은 약 40% 정도의 응답자들은 이론(1차시)에 대한 만족도가 실습(2차시)에 대한 만족도보다 높게 나타났고, 보통 이하의 만족도를 보인 응답자들은 이론(1차시)에 대한 만족도보다 실습(2차시)에 대한 만족도가 높게 나타났다. 세부 응답 결과는 다음 [그림 5]와 같다.

[그림 5]

전체 응답자의 인공지능 만족도

인공지능 교육 내용에 대한 난이도는 평균 30% 정도만 비교적 적절한 것으로, 평균 41% 정도는 보통, 나머지 30%는 적절하지 않은 것으로 응답했다. 비교적 난이도가 적절하다고 응답한 약 30% 정도의 수강생들은 미미하지만 이론(1차시)에 대한 난이도를 실습(2차시)의 난이도보다 적절한 것으로 응답했고, 난이도 적절성에 대하여 보통 이하로 응답한 수강생들은 미미하게 이론(1차시)의 난이도보다 실습(2차시)에 대한 난이도를 적절한 것으로 응답했다. 세부 응답 결과는 다음 [그림 6]과 같다.

[그림 6]

전체 응답자의 인공지능 난이도 적절성

파이썬보다 인공지능의 교육 내용이 어렵다 보니 인공지능에 대한 만족도와 난이도 적절성 모두 수치가 떨어진 것을 확인할 수 있었다. 인공지능 기초교육은 매우 중요한 만큼 교육의 효과를 높이기 위해서 난이도 조절은 반드시 필요하며, 난이도 조절이 성공하게 되면 만족도 또한 높아질 것으로 판단한다.

파이썬과 인공지능 교육 내용에 대한 만족도와 난이도 적절성에 대하여 5점 척도의 응답 수치를 평균하여 나타내면 <표 7>과 <표 8>과 같다.

<표 7>

전체 응답자의 파이썬 만족도 및 난이도

<표 8>

전체 응답자의 인공지능 만족도 및 난이도

소속 단과대학별 파이썬 교육 내용에 대한 만족도와 난이도 적절성에 대하여 5점 척도의 응답 수치를 평균하여 나타내면 <표 9>, <표 10>, <표 11>과 같고, 소속 단과대학별 인공지능 교육 내용에 대한 만족도와 난이도 적절성에 대하여 5점 척도의 응답 수치를 평균하여 나타내면 <표 12>, <표 13>, <표 14>와 같다. 3개의 소속 단과대학별로 나타낸 5점 척도의 평균 수치는 소프트웨어융합대학이 약간 높았지만, 큰 차이는 없는 것으로 나타났다.

<표 9>

공학대학 응답자의 파이썬 만족도 및 난이도

<표 10>

과학기술융합대학 응답자의 파이썬 만족도 및 난이도

<표 11>

소프트웨어융합대학 응답자의 파이썬 만족도 및 난이도

<표 12>

공학대학 응답자의 인공지능 만족도 및 난이도

<표 13>

과학기술융합대학 응답자의 인공지능 만족도 및 난이도

<표 14>

소프트웨어융합대학 응답자의 인공지능 만족도 및 난이도

소속 단과대학과 상관없이 파이썬보다 인공지능이 더 낮게, 만족도보다 난이도가 더 낮게 나타난 것은 인공지능에 대한 이해와 실습에 대한 어려움을 한 요인으로 꼽을 수 있겠다. 코로나19로 인해 비대면으로만 수업을 진행하다 보니 실습에 대한 문제가 발생하면 스스로 해결할 수는 없고 직접 도움 받을 곳도 마땅치 않았기 때문에 이러한 요인은 더욱더 크게 작용됐을 것으로 판단된다. 물론 담당 교강사들도 학생들에게 다양한 방법으로 수업 지원을 하였으나 준비 없이 시작된 갑작스러운 비대면 수업의 단점을 극복하기에는 한계가 있었다.

인공지능에 대한 이해와 실습에 대한 어려움을 해결하기 위한 대안으로 첫째, 인공지능에 대한 알고리즘과 원리를 이해할 수 있는 언플러그드 활동과 인터넷 상의 다양한 인공지능 교육용 플랫폼을 활용하는 것이다. 이러한 교육 활동으로 인공지능의 이해도를 높이고 흥미와 동기부여가 강화되면 자기 주도적으로 문제해결 방법을 끈기 있게 모색하는데 도움이 될 것이다. 둘째, 코로나19 상황이 안정화되어 당초 계획했던 혼합형 학습(Blended Learning) 방식으로 수업을 진행하게 되면 홀로 학습에 대한 두려움과 동기유발 저하에 대한 해소, 해결이 어려운 문제점 등을 오프라인 수업에서 직접적으로 지원하는 것이다.

4.2 개방형 설문 분석

질적인 자료의 분석을 위하여 개방형 설문을 받았는데, 코딩 방식의 범주화 작업을 통하여 항목을 추출했고, 향후 개선과 발전에 대한 기초자료로 활용하기 위하여 해당 항목별 응답 건수를 소속 단과대학별로 분석했다.

개방형 설문에 무의미한 의견들을 남긴 내용들은 모두 제거하고, 의미 있는 의견들 중에서도 부정적인 의견들을 먼저 분석했다. 단과대학 중에서도 공학대학 소속 응답자들의 유의미한 부정적인 의견이 가장 많았다. 파이썬 교육 내용에서는 진도가 나갈수록 어렵다는 의견이 많았고, 인공지능 교육 내용에서도 학습 내용이 진행될수록 어려워했는데, 특히 실습에 대한 어려움이 크다는 것을 확인할 수 있었다. 기타 의견에서도 교육 내용에 대하여 어렵고 난이도가 높다는 의견을 강조하여 표현했으며, 코로나19 특수 상황으로 이론(1차시) 수업도 모두 온라인 녹화 강의로 진행하다 보니 음량 및 해상도 등의 강의 환경에 대한 개선 요구가 있었다. 이 외에 의미 있는 의견으로는 파이썬과 인공지능을 독립적인 교과목으로 운영하여 각각의 교육 내용에 충실할 필요가 있다는 의견과 이론(1차시)과 실습(2차시)을 구분하지 말자는 단일화 또는 명확히 구분하자는 이원화 요구의 상반된 의견도 있었다. 이를 정리한 공학대학 소속 응답자의 부정적인 의견은 <표 15>와 같다.

<표 15>

공학대학 소속 응답자의 부정적인 의견

과학기술융합대학 소속 응답자들의 부정적인 의견에서도 파이썬과 인공지능 교육 내용 모두 어렵고 난이도가 높다는 의견이 많았고, 특히 실습에 대한 어려움이 크다는 것을 확인할 수 있었다. 기타 의견에서도 교육 내용의 난이도가 전체적으로 높다는 의견과 실습에 대한 어려움을 강조하여 표현했으며, 이론(1차시)과 실습(2차시)을 구분하지 말자는 단일화 또는 명확히 구분하자는 이원화 요구의 상반된 의견이 있었다. 이 외에도 파이썬과 인공지능을 독립적인 교과목으로 운영하여 각각의 교육 내용에 충실할 필요가 있다는 의견과 교재 지원에 대한 요구가 있었다. 이를 정리한 과학기술융합대학 소속 응답자의 부정적인 의견은 <표 16>과 같다.

<표 16>

과학기술융합대학 소속 응답자의 부정적인 의견

소프트웨어융합대학 소속 응답자들의 부정적인 의견에서도 파이썬과 인공지능 교육 내용 모두 난이도가 높다는 의견이 많았는데, 파이썬의 경우 소속 단과대학 교과목과 겹친다는 의견이 있었다. 기타 의견에서도 교육 내용의 난이도가 전체적으로 높다는 의견을 강조하여 표현했다. 이를 정리한 소프트웨어융합대학 소속 응답자의 부정적인 의견은 <표 17>과 같다.

<표 17>

소프트웨어융합대학 소속 응답자의 부정적인 의견

개방형 설문의 긍정적인 의견은 유의미한 항목들을 추출하여 소속 단과대학을 구분하지 않고 분석했다. 4차산업혁명 시대를 준비하기 위하여 반드시 필요한 교과목이라는 의견과 인공지능에 흥미와 관심을 가지게 되어 좋았다는 의견들이 있었지만, 긍정적인 의견에서도 난이도가 높다는 의견을 확인할 수 있었다. 이를 정리한 긍정적인 의견은 <표 18>과 같다.

<표 18>

전체 응답자의 긍정적인 의견