1. 서론
현대 산업 및 비즈니스 분야에서는 데이터 기반의 의사결정이 중요해지고 있다. 이에 따라 데이터 분석, 머신러닝 및 딥러닝 기술은 매우 중요한 역할을 하고 있다(조문기, 2022). 그리고 이러한 기술을 보유한 인력은 높은 수요를 받고 있기 때문에 이에 대한 교육의 필요성이 커지고 있다. 따라서 대학에서는 학생들에게 현장에서 요구되는 실무 능력을 갖추기 위한 교육을 제공해야 하며 학생의 다양성과 수준을 고려한 교과 과정을 제공해야 한다. 하지만 현재 대부분 대학의 교과과정은 IT 전공자와 비전공자만 구분하여 동일한 교육 과정을 제공하고 있다. 학생의 초중고 학습 배경에 따라 수업 이해도와 지식수준의 편차가 큰데 이를 고려하지 못함으로써 강의 운영에 다양한 문제와 어려움이 나타나고 있다. 왜냐하면, 학생의 일부는 이론적인 기초를 중시하고, 다른 학생들은 실전 경험을 중시할 수 있기 때문이다. 따라서 이러한 문제를 해결하기 위해 학생들의 다양성을 고려하여 학생 스스로 본인의 수준에 맞고 흥미가 있는 교과목을 선택하여 들을 수 있는 학습 선택권을 부여하는 것이 중요하다고 생각된다. 이는 스스로 학습할 수준과 방향을 선택함으로써 스스로 선택에 책임감을 갖게 되면서 자연스럽게 수업 참여도와 학습 만족도를 높일 수 있을 것이다.
그리고 학습자들이 문제를 해결하는 과정에서 문제를 해결하는 능력과 창의성을 키우기 위해 교육은 학습자들에게 단순한 지식 전달이 아닌 문제 해결과 응용 능력을 강조하는 방식으로 변해야 한다. 이를 위해 팀별 협력 학습과 프로젝트 기반 학습을 도입할 수 있다. 최근 한국의 대학 교육의 교육 환경이 교수자 중심에서 학습자 중심으로 변화되기를 요청받고 있다(노은희, 조문기, 2024). 기존의 지식 전달형 강의 중심의 교육에서 벗어나 학생 스스로가 주도적으로 수업을 이끌어가는 방식으로의 전환에 대한 모색이 꾸준히 논의되고 있다(노은희, 조문기 2024). 이러한 변화를 반영한 수업 모델의 하나가 Engaged Learning(참여형 학습) 수업 모델이다(노은희, 조문기, 2024). Engaged Learning은 학습자가 학습 과정에 적극적으로 참여하고 협업을 통해 문제 해결 능력을 키울 수 있도록 유도하는 방식으로, 특히 복잡한 개념을 쉽게 이해하도록 돕는 데 효과적이다(노은희, 조문기, 2024). 이는 학생들의 동기부여와 흥미를 높이고 창의적인 사고와 문제 해결 능력을 발전시킬 수 있도록 도움을 준다. 그리고 Engaged Learning 방식은 학습을 실생활과 연계하여 학습 내용의 실제 응용 능력을 강조한다. 학생들은 이론적인 지식뿐만 아니라 실제 상황에서의 문제 해결과 응용을 경험하게 되며 실무에 필요한 능력과 태도를 갖출 수 있으며 이 또한 수업 참여도와 학습 만족도를 높일 수 있을 것이다.
따라서 본 연구에서는 수준별 인공지능 교양 교육 과정 설계하고 Engaged Learning 수업 모델을 적용한 교양필수 교과목인 ‘AI와 머신러닝’을 개발하여 운영한다. 그리고 AI 관련 강의 수강 여부를 기준으로 두 집단으로 나누어 강의 내용 수준 만족도, 평가 방법 만족도, EL 수업 만족도를 비교 분석하고자 한다. 그리고 마지막으로 결론 및 향후 연구에 대해 기술한다.
2. 관련연구
2.1. 인공지능 교육 정책 및 현황
세계적으로는 인공지능 시대에 대비하기 위해 각 나라에서 초중고 교육에 인공지능을 포함한 교육을 보급하고 있는 추세이다. 미국의 AI4K12 프로그램은 교육 정책으로써 인식, 표현 추론, 학습, 상호작용, 사회적 영향 등 5가지 빅 아이디어를 기반으로 한 인공지능 교재를 개발하고 교육자를 육성하는 데 집중하고 있다(최지현, 김형주, 2021). 중국과 일본도 각각 국가적으로 유치원부터 고등학교까지의 인공지능 교육 체제와 교육과정을 개편하고 새로운 교육과정을 도입하여 인재를 육성하고 있다(박광영 외, 2021; 김갑수 외, 2020). 국내에서도 2019년 발표된 ‘인공지능(AI) 국가전략’을 시작으로 2020년 11월에는 ‘인간다움과 미래다움이 공존하는 교육 패러다임 실현’이라는 새로운 교육 정책을 발표하여 교육 체계를 개선하고 있다. 그리고 초등부터 고등까지의 교육과정을 개편하여 SW⋅AI 필수 교육을 강화하고, 고등학교에서는 ‘인공지능 기초’와 ‘인공지능 수학’ 과목을 선택과목으로 도입하였다. 이와 함께 다양한 연구들이 활발히 이루어지고 있다. 초등학생을 대상으로 인공지능을 이해할 수 있는 교수 학습 모델을 제안하였으며(김갑수, 박영기, 2017), 언플러그드 접근법을 활용한 교수학습 모델을 소개되었다(류미영, 한선관, 2017). 또한, 인공지능의 핵심 원리를 게임으로 학습할 수 있는 교육과정(김진수, 박남제, 2019), 블록형 프로그래밍 언어를 활용하여 인공지능에 대한 이해와 학습 태도 변화 연구(이영호, 2019) 등 다양한 연구가 진행되었다.
2.2. 대학에서의 인공지능 교양 교육
4차 산업 혁명의 인공지능 파동은 직업 구조의 변화를 예고하고 있다. 대학생들이 직업 현장에서 인공지능과 마주하게 되는 경우, 이제는 인공지능에 대한 이해와 활용 능력이 필수적인 소양으로 간주되고 있다. 따라서 많은 대학들이 컴퓨팅 사고 능력과 인공지능 교육을 강화하여 환경 변화에 대응하고자 노력하고 있다. 최지현과 김형주의 분석 결과에 따르면, 미국과 독일에서는 인공지능 교양 교과과정이 컴퓨팅적 사고나 인공지능에 대한 사전 지식이 없는 학생들을 대상으로 개설되어 왔다(최지현, 김형주, 2021). 이들 교과과정은 인공지능 및 컴퓨터에 대한 기본 지식을 제공하는 입문 과목으로 설계되었으며, 수강생의 전공 영역과 배경지식을 융합하도록 진행되었다(최지현, 김형주, 2021). 또한 박광영 외 2인의 연구 결과에 따르면, 일본에서는 대학의 인공지능 리터러시를 위한 표준 커리큘럼이 선제적으로 형성되어 있다(K. 박광영 외, 2021). 이 커리큘럼은 도입, 기초, 소양의 필수적인 항목과 선택적인 항목으로 구성되어 있으며, 이를 통해 학생들은 인공지능 기술에 따른 사회 변화와 활용 방안 모색한다. 그리고 데이터 리터러시 함양하고 데이터와 인공지능에 관한 법률 및 윤리 원칙 등을 학습한다. 한편, 중국에서는 많은 대학이 전공과 상관없이 프로그래밍 교육을 이수하도록 권장하고 있다. 국내에서도 2015년부터 SW 중심대학을 중심으로 인공지능 학부 및 대학원 과정이 신설되었으며, 이는 인공지능 전문가를 양성하기 위한 것이다. 그러나 사회적 변화와 삶의 변화에 대응하기 위해서는 비전공자들도 인공지능 리터러시를 함양하기 위한 기초 소양이 필요하다. 따라서 비전공자의 특성을 고려한 여러 방식의 인공지능 교양 교과과정 연구가 진행되고 있다.
2.3. Engaged Learning
Engaged Learning은 학습자가 실생활과 연계된 문제를 스스로 인식하고 정의하며, 문제 해결 방안을 탐색하고 동료 학습자와 협력하여 실제로 적용 가능한 결과물을 도출하는 교수-학습 과정으로 정의된다(노은희, 조문기, 2024). 숭실대학교의 교수학습센터에서 정의한 Engaged Learning 수업 모델은 학습자가 주도하는 방식으로 구성되며, 다양한 팀 활동과 협력 학습이 포함된다. 이 과정에서 교수자는 퍼실리테이터, 코디네이터, 안내자 등의 역할을 수행하여 학습자의 자율성을 촉진한다. 특히, S 대학교는 2019년부터 Engaged Learning 모델을 도입하고 ‘Engaged Learning+’라는 이름으로 학생 참여 경험형 수업 방식을 운영하고 있다(노은희, 조문기, 2024).
Engaged Learning 수업 모델은 학습 과정에서 문제를 정의하고 해결 방안을 적용하는 세 단계로 구성된다. 첫 번째 단계인 ‘문제 정의’ 단계에서는 학습자가 사전 학습된 내용을 바탕으로 문제를 탐색하고 정의한다(노은희, 조문기, 2024). 두 번째 단계에서는 자료 수집과 아이디어 도출을 통해 해결 방안을 선정한다(노은희, 조문기, 2024). 그리고 세 번째 단계에서는 해결 방안을 실제로 적용하고 그 결과를 확인하여 최종 결과물을 도출한다(노은희, 조문기, 2024). 교수자는 초기에는 강의 중심 수업을 통해 학습 기반을 제공하고 이후 프로젝트 수업으로 전환하여 Engaged Learning의 3단계 기본 원리를 적용한다(노은희, 조문기, 2024).
Engaged Learning의 효과성은 다양한 연구 사례를 통해 입증되고 있다. 교양 교과목을 대상으로 한 연구에서는 학습자 주도형 토론과 발표 수업을 실시한 결과, 학생들이 수업에 적극적으로 참여하고 높은 만족도를 보였음을 확인하였다(손나경, 김령희, 2020). 그리고 Engaged Learning 방식을 활용하여 기독교 교양 필수 교과목을 운영한 결과, 이 방식이 학생들의 인문학적 교양 함양에 기여할 수 있음을 시사하였다(박도현, 성신형, 2022). 또한, Engaged Learning의 ‘문제 정의 - 아이디어 생성 - 해결 방안 적용과 실천’ 3단계 원리를 활용하여 학습자가 인류 시대의 환경 문제를 스스로 발견하고 정의할 수 있도록 교과목을 설계하였다(차봉준, 2022). 그는 이를 통해 현대 사회의 복잡한 환경 문제에 대한 이해와 인문학의 중요성에 대한 학생들의 공감대 형성을 기대하였다.
이처럼, Engaged Learning은 학생들의 학습 몰입과 자율성을 촉진하고, 학습 내용을 실생활 문제 해결에 활용할 수 있는 역량을 개발하는 데 효과적인 학습 모델임이 다양한 연구를 통해 확인되고 있다.
3. 본론
3.1. 개별화된 인공지능 교양 교육 과정 설계
본 연구에서는 SW와 AI 교과목 안에서 AI와 데이터 분석 기초, AI와 머신러닝, AI와 실전이라는 3개 수준별 교과목을 제시하고 학생에게 과목 선택권을 부여하여 수준별 학습이 가능하도록 하였다. 각 교과목 개설 분반을 확정하는 과정은 [그림 1]과 같다. 과정을 살펴보면 학기 별로 과목 개설 업데이트 요청을 하게 되면 전체 1학년 학생을 대상으로 설문 조사를 진행한다. 그리고 우선순위에 따라 교필 교과목들의 시간표가 정해지면 동시간대에 수업을 진행할 수 있는 비숫한 영역의 학과들을 그룹화한다. 그리고 그룹화된 학과들의 설문 조사를 바탕으로 3개 세분 교과목에 대한 분반 수를 결정하고 수강 신청을 진행한다. 이때 예상할 수 없는 휴학생, 복학생 등에 의해 사전 설문 조사와는 조금 다르게 신청 결과가 나타나게 되는데 이를 반영하여 세분 교과목 개설 분반을 조정한다. 그리고 조정이 끝나면 확정하여 수업을 진행하는 과정이다.
이러한 과정을 통한 교육 과정 설계는 다음과 같은 이점이 있다.
첫째, 교과목별 학습 난이도를 적절히 조절할 수 있어 인공지능 학습의 흥미와 동기를 높일 수 있는 다양한 학습 콘텐츠를 제공할 수 있다. 인공지능을 활용하는 학습자의 시선에선 인공지능 교육이 어려운 전공 영역의 관점으로 인식되므로 교양 교육에 적합하지 않다고 인식할 수 있다(김한성, 전수진, 2020). 하지만 세분 교과목에서 학습자 스스로 선택함으로써 AI와 데이터 기초 과목의 경우 전문적인 지식 습득이 아닌 인공지능을 융합 과학으로 바라보는 시야를 가질 수 있도록 교과과정을 구성할 수 있다. 그리고 나머지 과목 또한 과목 수준과 특성에 맞게 교과 과정을 구성함으로써 학습자와 교수자의 갭을 줄이고 서로가 동일한 시선에서 학습이 이루어질 수 있다.
둘째, 소프트웨어 프로그램의 선수 학습이 이루어졌다 하더라도 인공지능 교육은 어려운 개념, 수학적 개념 또는 알고리즘 등으로 인식되어 교육의 필요성을 공감하지 않을 수도 있다. 그래서 소프트웨어 교육에 비해 인공지능 교육의 만족도가 낮았고 난이도 면에서는 어렵다는 연구 결과도 있다(장은실, 2020). 프로그램에 대한 부담감으로 인해서 인공지능 교육의 목표를 왜곡하여 해석할 수 있다는 것이다. 하지만 세부 교과목에서 학습자의 선택을 통해 이러한 부담감을 줄일 수 있다. 그리고 반대로 깊이 있는 인공지능의 개념과 원리를 학습할 수도 있어 학습자의 교육 만족도와 난이도 면에서 학습자와 교수자 양쪽에서 긍정적인 효과를 가져올 수 있다.
셋째, 이론과 실습 그리고 프로젝트로 이어지는 교육과정을 설계함으로써 프로그램의 활용 방법과 문제 해결을 위한 전반적인 흐름과 과정을 이해할 수 있다. 이를 통해 스스로 다음 과정의 학습에 대한 자신감을 가질 수 있도록 하여 인공지능 전문가로서 성장할 수 있는 기반을 마련할 수 있다.
3.2. 연구 대상 및 연구 절차
본 연구는 2023년 2학기 교양 필수 교과목인 ‘AI와 머신러닝’을 수강한 S 대학 1학년 신입생들로 3개 분반 남학생이 53명(81.5%), 여학생이 12명(18.5%) 총 65명의 학생을 대상으로 15주 차 수업을 진행하였다. 분반별 학생은 IT 대학(AI 융합, 소프트웨어) 01분반 27명, IT 대학(전자정보, 기계, 전기공학부) 02분반 23명, 자연대학(물리, 화학, 수학, 융특) 03분반 15명의 분포로 구성되어 있다. 그리고 분반별 ‘AI와 머신러닝’ 교과목을 수강하기 전 AI 관련 학습 경험은 [그림 2]와 같다. 응답자 중 AI 관련 학습 경험이 없는 학생은 47명(72.7%), 학습 경험이 있는 학생은 18명(27.3%)명 이었다.
3.3. 교과목 교수-학습 설계
본 교과목은 Engaged Learning 수업 모델을 활용하여 진행한 수업으로 개별화된 인공지능 교양 교육 과정 설계를 통한 개편 과정을 거쳐 2023학년도 이후 입학자 대상으로 이전 AI와 데이터 사회 교과목을 <표 1>과 같이 3학점으로 개편하여 교과목을 수준별 세부 교과목으로 구분하여 자기 수준에 맞는 과목을 선택할 수 있도록 하였다(노은희, 조문기, 2024). 본 연구는 개편 교과목 중에서 디지털 테크놀로지 영역의 SW와 AI 3개의 세부 교과목 중 ‘AI와 머신러닝’ 교과목을 Engaged Learning 수업 모델을 적용하여 개발하고 운영하였다.
<표 1>
2023학년도 입학자 개편된 교과목
개편 | ||||
---|---|---|---|---|
영역 | 교과목군 | 세부 교과목 | 학점 | |
대영역 | 소영역 | |||
CORE (핵심교양) | 디지털테크놀로지 | SW와 AI | AI와 데이터기 초 | 3 |
|
||||
AI와 머신러닝 | 3 | |||
|
||||
AI개발과 실전 | 3 |
3.3.1. 교과목 개요 및 주차별 학습 내용
본 교과목은 인공지능의 개념과 원리를 익히고 주요 알고리즘을 학습하여 실제 다양한 데이터에 적용할 수 있도록 설계되었다. 기본적인 인공지능 원리를 이해하는 이론 학습, 실습, 팀별 문제 해결 및 프로젝트 활동으로 강의가 구성되며, Engaged Learning 모델을 적용하여 학습자가 실생활과 연계된 문제를 인식하고 해결 방안을 탐색하도록 돕는다.
Engaged Learning 모델은 학습자가 실생활과 관련된 문제를 스스로 인식하고 정의하며, 문제 해결 방안을 탐색하고 실제로 활용 가능한 결과물을 도출하는 교수-학습 과정이다. 이를 통해 학습자들은 창의 융합적 사고와 협업 능력을 기를 수 있으며, 본 교과목에서는 이와 같은 모델을 활용하여 인공지능과 딥러닝 알고리즘을 학습하도록 돕고 있다.
2023년 2학기 ”AI와 머신러닝” 강의는 블렌디드 수업 형식으로 구성되었으며, 사전 녹화된 50분의 이론 강의와 75분의 대면 수업으로 총 125분 동안 진행된다. 사전 녹화 강의에서는 이론과 동작 원리에 대한 영상이 제공되며, 학생들은 S 대학교의 LMS Q&A 게시판을 통해 질문과 답변을 주고받을 수 있다. 대면 수업에서는 Engaged Learning 모델을 바탕으로 문제 정의 - 아이디어 도출 - 해결 방안 적용 및 확인의 3단계 학습이 이루어진다.
Engaged Learning 수업 모델에 따라, 15주 동안의 수업은 1주~11주까지 인공지능과 머신러닝에 대한 이론과 실습으로 구성되고, 12주~15주에는 팀별 프로젝트 활동을 통해 학습자가 주도적으로 문제를 해결하는 프로젝트 수업이 진행된다. 교수자는 퍼실리테이터 및 멘토 역할을 수행하여 학습자의 자율적 학습과 문제 해결을 지원하며, 학생들은 실생활 문제 해결 능력을 키울 수 있는 학습 경험을 얻는다. <표 2>는 수업 전체적인 과정이다.
<표 2>
AI와 머신러닝 주차별 학습내용
3.3.2. Engaged Learning 수업 모델 적용 사례
본 연구에서는 Engaged Learning 수업 모델과 SW 교육 모델인 NDIS 모델을 활용하여 소프트웨어 및 AI 융합 학생들이 ‘자원 재활용을 위한 쓰레기 구별’을 주제로 팀 프로젝트를 진행한 사례를 다룬다. 단계별로 팀원의 배정과 담당 역할은 [그림 3]에 제시되어 있다.
Learning 수업 모델의 1단계는 주제 선정과 대상 분석으로, [그림 4]에 나타나 있다. 이 단계에서는 프로젝트의 목적과 특징을 정의하였으며, 팀원들은 다양한 표지판을 구분할 수 있는 다중 분류 인공지능 프로그램을 구현하기로 하였다.
2단계에서는 [그림 5]에 나타난 것처럼 1단계에서 정의한 문제와 요구 사항을 기반으로 문제 해결 방법을 탐색하고 아이디어를 도출하였다. 이 과정에서 팀원들은 문제 해결을 위한 방법을 시각적으로 표현하고 구체화하였다.
3단계에서는 문제 해결책을 선정하고 적용하는 단계로, 코딩을 담당한 학생들이 [그림 6]과 같이 Python 언어를 활용하여 프로그램을 구현하였다. 2단계에서 제시된 아이디어를 실질적으로 적용할 수 있는 프로그램으로 발전시켰으며, 프로그램이 교통표지판 분류에 실질적인 이바지를 할 수 있도록 설계하였다.
그리고 프로젝트 진행 과정 동안 교수자는 퍼실리테이터와 멘토로서 학습을 지원하였고, 학생들은 프로젝트에 적극적으로 참여하였다. 그리고 최종 발표를 진행하였다. <표 3>에서는 자기성찰 결과가 요약되어 있으며, Engaged Learning 수업 모델을 기반으로 진행된 팀 프로젝트 활동을 통해 학생들은 문제를 스스로 정의하고, 팀원 간 의사소통과 일정 조율 능력 등이 향상되었다는 긍정적인 피드백을 남겼다. Engaged Learning을 통한 프로젝트 학습 경험은 학생들에게 실질적 문제 해결 능력을 기르고 자기 주도적 학습 역량을 강화하는 효과를 나타내었다.
4. 연구 결과
4.1. 인구통계학적 특성과 AI관련 학습 경험
본 연구는 교양 필수 교과목인 AI와 SW 과목 군의 세분 3과목 중 ‘AI와 머신러닝’을 수강한 S 대학 1학년 신입생들로 <표 4>에 기술된 바와 같이 3개 분반이다. 표본 조사 분석에서 이용된 설문 응답자는 총 65명으로 남학생이 53명(81.5%), 여학생이 12명(18.5%)이다. 분반별 학생은 IT 대학(AI 융합, 소프트웨어) 01분반 27명, IT 대학(전자정보, 기계, 전기공학부) 02분반 23명, 자연대학(물리, 화학, 수학, 융특) 03분반 15명의 분포로 구성되어 있다. 분반별 ‘AI와 머신러닝’ 교과목을 수강하기 전 AI관련 학습 경험은 AI 관련 학습 경험이 없는 학생은 47명(72.7%), 학습 경험이 있는 학생은 18명(27.3%)명 이었다.
<표 3>
Engaged Learning수업 참여 자기성찰
4.2. 분석 결과
4.2.1. AI관력 학습 경험에 따른 만족도 차이 분석
‘AI와 머신러닝’ 교과목을 수강하기 전 AI 관련 학습 경험에 따라 만족도가 차이가 있는지 조사하였다. AI 관련 학습 경험이 없는 학생은 47명(72.7%), 학습 경험이 있는 학생은 18명(27.3%) 명으로 이 두 그룹 간에 비슷한 특성이 있는지 아니면 만족도 결과에 영향을 줄 만한 주요 요인이 있는지를 확인하기 위하여 t-검정을 진행하였다. 그 결과는 <표 5>와 같다.
<표 5>
두 그룹 간 t-검정 결과표
변인 | 일반표본(N=47) 평균(표준편차) | 일반표본(N=18) 평균(표준편차) | t |
---|---|---|---|
강의 내용 적절성 | 19.11(4.69) | 19.30(4.42) | 0.44 |
|
|||
루브릭 평가 방식 | 16.5(3.22) | 16.55(2.95) | 0.47 |
|
|||
EL 수업 만족도 | 28.62(5.22) | 26.78(7.23) | 0.13 |
강의 내용 적절성에 관한 질문은 총 5개로 이루어져 있고 이를 이용하여 두 그룹 간의 평균 차이가 통계적으로 유의미한지 분석하였다. 강의 내용 적절성의 경우 두 그룹 (N=47, N=18)의 평균은 각각 19.11과 19.30으로, 매우 유사하다. 표준편차 또한 4.69와 4.42로 매우 유사한 것을 확인할 수 있다. 그리고 t-값은 0.44로, 이는 두 그룹 간의 평균 차이가 거의 없다는 것을 보여준다. t-검정 결과가 유의미하지 않다는 것은 두 그룹이 ”강의 내용 적절성”에 대해 유사하게 평가하고 있음을 의미한다. 즉, 그룹 크기가 다르더라도 강의 내용의 적절성에 대한 인식은 비슷하다고 해석할 수 있다.
다음은 루브릭 평가 만족도에 대한 것이다. 질문은 총 4개가 이루어져 있고 이를 이용하여 두 그룹 간의 평균 차이가 통계적으로 유의미한지 분석하였다. 루브릭 평가 방식의 경우 두 그룹의 평균은 각각 16.5와 16.55로, 마찬가지로 거의 차이가 없다. t-값은 0.47로, 유의미한 차이를 나타내지 않는다. 따라서 두 그룹 간 이 변수에 대한 평균 차이는 통계적으로 유의미하지 않다. ”루브릭 평가 방식” 역시 두 그룹 간 평균 차이가 거의 없으므로, 두 그룹이 평가 방식에 대해 비슷한 의견을 가지고 있다고 볼 수 있다. 이는 루브릭 평가 방식에 대한 만족도나 의견이 그룹의 크기와 관계없이 일관된다는 것을 시사한다.
마지막으로 EL 수업 만족도에 관한 질문은 총 7개로 이루어져 있고 이를 이용하여 두 그룹 간의 평균 차이가 통계적으로 유의미한지 분석하였다.
EL 수업 만족도를 살펴보면 N=47 그룹의 평균은 28.62, N=18 그룹의 평균은 26.78로, 약간 차이가 있지만 큰 차이는 아니다. t-값은 0.13으로, 이 역시 유의미한 차이를 나타내지 않는다. ”EL 수업 만족도”의 경우 N=18 그룹이 N=47 그룹보다 약간 높은 표준분산 값을 보이지만, 이 차이 역시 유의미하지 않으므로 통계적으로 중요한 차이가 아니다. 따라서 두 그룹 모두 EL 수업에 대해 유사한 수준의 만족도를 보였다고 해석할 수 있다.
모든 변수에서 두 그룹 간의 평균 차이가 유의미하지 않다는 결과가 나왔다. 이는 t-값이 모두 낮고, p-값이 0.05보다 크기 때문에 두 그룹이 각 변수에서 비슷한 특성을 가진다고 볼 수 있다. 이러한 결과는 두 그룹 간에 모집단의 차이가 거의 없거나, 실험에 영향을 줄 만한 주요 요인이 없었다고 해석될 수 있다. 일반적으로 두 그룹이 평가하는 방식이나 만족도가 일관된다는 것은 두 표본이 비슷한 특성을 가지고 있음을 시사하며, 연구자가 조사한 변수들이 특정 그룹에 국한되지 않고 비교적 일반화될 수 있음을 보여준다.
4.2.2. 만족도 분석
AI 관련 학습 경험에 따른 만족도 분석에서 두 그룹 간 차이가 없음을 확인하였다. <표 6>은 ‘AI와 머신러닝’ 교과목의 강의 내용 수준에 대한 만족도 분석 결과이다. 수업 만족도를 살펴보면 긍정적 인식(그렇다, 매우 그렇다)이 220(67.9%), 부정적 인식(전혀 아니다, 아니다)은 46(14.2%)으로 수업 만족도가 굉장히 높음을 알 수 있다. 이는 다양한 수준의 과목 선택을 통한 개별화된 학습 경로를 제공하는 것은 학생 만족도를 높일 수 있는 효과적인 방안임을 확인할 수 있다. 또한 교수자도 다양한 수준의 학생들을 고려한 교육을 배제하게 됨으로써 양질의 교육을 제공할 수 있어 효과적인 교육이 가능했다고 분석할 수 있다.
<표 6>
강의 내용 수준 만족도 분석 결과
<표 7>은 ‘AI와 머신러닝’ 교과목의 루브릭 평가 방식에 대한 만족도 분석 결과이다. 평가 방식 만족도를 살펴보면 긍정적 인식(그렇다, 매우 그렇다)이 204(78.8%), 부정적 인식(전혀 아니다, 아니다)은 4(1.5%)으로 평가 방식에 대한 만족도가 굉장히 높음을 알 수 있다. 이는 출석, 과제, 시험 외에도 프로젝트를 통한 그리고 그 안의 세분화된 평가 요소에 대해서 학생들이 납득할 만한 기준을 가지고 평가했다고 분석할 수 있다. 명확한 기준과 다양한 평가 요소는 학습자의 흥미와 성취도에 영향을 준다고 해석할 수 있다.
<표 7>
루브릭 평가 만족도 분석 결과
<표 8>은 ‘AI와 머신러닝’ 교과목의 Engaged Learning 수업에 대한 만족도 분석 결과이다. EL 수업 만족도를 살펴보면 긍정적 인식(그렇다, 매우 그렇다)이 347(77.0%), 부정적 인식(전혀 아니다, 아니다)은 34(7.5%)으로 EL 수업 방식에 대한 만족도가 굉장히 높음을 알 수 있다. 이는 Engaged Learning 수업이 팀 활동 기반으로 문제를 팀원들끼리 해결해야 하는데 적극적인 참여와 개인적인 성향이 영향을 주었을 것으로 판단된다.
<표 8>
Engaged Learning 수업에 대한 만족도 분석 결과
5. 결론 및 향후연구
4차 산업 혁명의 도래와 함께, 인공지능(AI)은 산업 및 경제 분야에 큰 변화를 예고하고 있으며, 이러한 변화는 특정 전공 분야를 초월하여, 인공지능이 누구에게나 요구되는 지식으로 자리 잡게 만들고 있다. 따라서 전 세계적으로 인공지능에 대한 정책 수립과 교육의 중요성은 더욱더 강조되고 있다.
학습자들이 인공지능 시대의 작업 현장에서 앞서 나아가기 위해서는, 인공지능에 대한 전문적인 교육을 더욱 체계적으로 받는 것이 중요하다. 이를 위해 인공지능에 대한 보편적인 교육이 필요하며, 그 안에서 학습자들에게 맞는 개별화된 학습 과정이 진행되어야 한다. 이러한 수준별 교육은 학습자들이 인공지능을 다양한 전공과 연계하여 창의적이고 융합적인 사고를 할 수 있도록 도와줄 것이다. 궁극적으로, 인공지능 시대에 적합한 인재로 성장하는 데 중요한 밑거름이 될 것으로 생각한다.
본 연구에서는 AI와 SW 교과목 안에서 AI와 데이터 분석 기초, AI와 머신러닝, AI와 실전이라는 3개 수준별 교과목을 제시하고 1학년 학생들에게 과목 선택권을 부여하여 수준별 학습이 가능하도록 설계하였다. 이중 AI와 머신러닝을 선택한 65명의 1학년 학생들을 대상으로 수업을 진행하였고, 학기 종료 후 학생들의 만족도를 조사하였다. 본 연구의 주요 결과를 요약해보면 다음과 같다.
첫째, 학생 스스로 선택한 교과목의 강의 내용에 대한 만족도가를 살펴보면 전체 65명 중 67.9%가 만족한다는 응답을 하였으며, 17.9% 보통, 14.2%가 불만족하다는 응답을 하였다. 불만족에 해당하는 내용을 살펴보면 오프라인과 온라인의 분량에 대한 만족도가 낮음을 확인할 수 있다. 처음 실행되는 수업이고 AI에 관련된 내용이라 분량의 적정량을 설정하기 어려운 면이 있었다. 하지만 이를 통해 분량을 적정하게 조절할 필요가 있음을 분석을 통해 확인할 수 있었고 이는 분량에 대한 만족도를 개선할 수 있는 여지가 있음을 확인할 수 있었다.
둘째, 루브릭 평가 방식에 대한 만족도도 살펴보면 전체 65명 중 79.8%가 만족한다는 응답을 하였으며, 19.7% 보통, 1.5%가 불만족하다는 응답을 하였다. 이는 출석, 과제, 시험 외에도 프로젝트를 통한 그리고 그 안의 세분화된 평가 요소에 대해서 학생들이 납득할 만한 기준을 가지고 평가했다고 분석할 수 있다. 명확한 기준과 다양한 평가 요소는 학습자의 흥미와 성취도에 영향을 준다고 해석할 수 있다.
셋째, Engaged Learning 수업에 대한 만족도도 살펴보면 전체 65명 중 77.0%가 만족한다는 응답을 하였으며, 15.5% 보통, 7.5%가 불만족하다는 응답을 하였다. 만족에 해당하는 내용을 살펴보면 ‘나는 EL 수업의 팀 활동에 적극 참여하였다.’에 대한 만족도가 높음을 확인할 수 있다. 이는 팀 활동 기반으로 문제를 팀원들끼리 해결하는 데 적극적으로 참여하였음을 확인할 수 있었고 이는 자기주도학습의 기반을 마련하는 계기가 될 것으로 생각된다.
결론적으로, EL 수업 방식을 적용한 다양한 수준의 세부 교과목을 제시하고 학생 스스로 과목을 선택하는 학습 경로를 제공하는 것은 학생의 체계적인 성장에 효율적으로 활용될 수 있다는 점을 확인할 수 있었다. 한 가지 아쉬운 점은 다른 세부 교과목에 대해서도 함께 조사하고 분석 비교를 시행하지 못했다는 점이다. 따라서 향후 연구에서는 발견된 문제점을 개선하고 각 세부 교과목에 대한 비교 분석을 통하여 교수 학습 내용 설정과 좀 더 체계적인 교육과정을 설계하는 연구를 진행하고자 한다.