생성형 AI 기반 통계 수업과 학습자 수준에 따른 중학교 통계 성취도, 자기효능감과 인지부하에 미치는 영향 = Effects of a Generative AI–Based Statistics Instruction and Learner Proficiency Level on Middle School Students’ Statistical Achievement, Self-Efficacy, and Cognitive Load

국문 초록 (Abstract)

2022 개정 교육과정의 「자료와 가능성」 영역은 공학적 도구의 활용을 핵심 아이디어로 제시하며, 실질적 데이터 분석 경험을 통해 학습자의 통계적 사고를 기를 수 있음을 강조하고 있다. 이러한 맥락에서 최근 급속히 발전하고 있는 생 성형 인공지능(Generative AI)은 새로운 공학적 도구로서 교육 현장에 적용될 수 있다. 특히 GPT-5의 등장은 GPT-4가 보여준 노코드 기반 데이터 분석 능 력을 한층 강화하여, 단순한 자연어 프롬프트만으로도 데이터 전처리, 분석, 시각 화가 가능하게 하였다. 이는 기존의 스프레드시트 활용 수업에서 학생들이 겪던 복잡성과 어려움을 해소하고, 보다 직관적이고 효율적인 통계 학습 환경을 제공 할 수 있을 것으로 기대된다. 따라서 이 연구는 생성형 AI와 스프레드시트를 활 용한 통계 수업을 중학교 3학년 학생들에게 적용하여 학습자 수준에 따라 학업 성취도, 자기효능감에 어떠한 차이가 나타나는지 분석하고 인지부하에 미치는 영 향을 알아보고자 한다. 연구 결과는 통계 교육에서의 공학적 도구 활용 방안을 확장하고, 생성형 AI의 교육적 활용 가능성을 검증하는 데 기초자료로 기여할 수 있을 것이다. 주제어: 생성형 인공지능, 스프레드시트, 통계 성취도, 자기효능감, 인지부하, 학 습자 수준

다국어 초록 (Multilingual Abstract)

The Data and Probability domain in Korea’s 2022 Revised Curriculum
highlights the use of technological tools as a core idea and emphasizes
that authentic data analysis experiences can foster students’ statistical
thinking. In this context, rapidly advancing generative artificial intelligence
(Generative AI) can be considered a new form of technological tool
applicable to classroom instruction. Recent large language models (e.g.,
GPT-5) have strengthened no-code data analysis capabilities, enabling
data preprocessing, analysis, and visualization through natural-language
prompts. Such affordances may reduce the complexity and procedural
difficulties students often experience in spreadsheet-based instruction and
may provide a more intuitive and efficient learning environment for
statistics.
Accordingly, this study aims to implement a generative AI based statistics –
lesson and a spreadsheet-based statistics lesson for ninth-grade (middle
school 3rd-year) students and to examine, by learner level, differences in
statistical achievement and self-efficacy, as well as the effects on
cognitive load. The findings are expected to broaden practical approaches
to integrating technological tools in statistics education and to provide
foundational evidence regarding the educational applicability of generative
AI.
Keywords: generative artificial intelligence, spreadsheet, statistical
achievement, self-efficacy, cognitive load, learner level

목차 (Table of Contents)

• 국문초록1
• Ⅰ. 서론 2
• 1. 연구의 필요성2
• 2. 연구 목적 5
• 3. 연구 문제 6
• Ⅱ. 이론적 배경 7
• 1. 데이터 분석 7
• 가. 데이터 분석의 정의 8
• 나. 대표적 데이터 분석 도구 9
• 1) 스프레드시트 소프트웨어 10
• 2) R/파이썬 11
• 3) 오렌지 312
• 4) 생성형 AI 12
• 다. 생성형 AI 기반 데이터 분석의 교육적 의의 14
• 2. 통계 교육 16
• 가. 통계 교육의 변천 16
• 나. 2022 개정 교육과정 '자료와 가능성' 18
• 1) 수학 수업 설계의 원리 18
• 2) '자료와 가능성' 20
• 3. 종속 변인들의 이론적 배경 26
• 가. 통계성취도 26
• 1) 통계성취도의 개념 26
• 2) 통계성취도의 선행연구 27
• 나. 자기효능감 27
• 1) 자기효능감의 개념 27
• 2) 자기효능감의 선행연구 28
• 다. 인지부하 29
• 1) 인지부하의 개념 30
• 2) 인지부하의 선행연구 31
• Ⅲ. 연구 방법 32
• 1. 연구 설계 32
• 가. 연구 모형 32
• 나. 연구 가설 33
• 다. 연구 설계 유형 34
• 2. 연구 대상 34
• 3. 연구 절차 35
• 가. 전체 연구 절차 35
• 나. 데이터 분석 중심 통계 수업의 개념 36
• 다. 수업 절차 37
• 1) 차시별 수업 절차 개요 37
• 2) 1차시 수업 절차: 데이터 전처리 38
• 3) 2차시 수업 절차: 기초통계량 산출 39
• 4) 3차시 수업 절차: 데이터 시각화 40
• 5) 4차시 수업 절차: 데이터 분석 결과 해석 41
• 라. 차시별 인지부하 측정 절차 42
• 4. 연구 도구 43
• 가. 상전-사후 통계성취도 43
• 나. 자기효능감 44
• 다. 인지부하 46
• 라. 수업에 사용된 도구 48
• 5. 자료 분석 및 통계 처리 방법 49
• 가. 분석 도구 49
• 나. 통계 처리 방법 50
• Ⅳ. 연구 결과 51
• 1. 통계성취도 분석 결과 51
• 가. 통계성취도 기술 통계 분석 결과 51
• 나. 통계성취도 등분산성 검정 53
• 다. 이원분산분석(Two-way ANOVA) 결과 53
• 1) 가설 1-1 결과 53
• 2) 가설 1-2 결과 54
• 3) 가설 1-3 결과 54
• 2. 자기효능감 분석 결과 54
• 가. 자기효능감의 기술통계 분석 결과 55
• 1) 사후 자신감(Self-Confidence) 기술통계 해석 55
• 2) 사후 과제난이도 지각(Task Difficulty Preference) 기술통계 해석 57
• 3) 사후 자기조절 효능감(Self-Regulatory Efficacy) 기술통계 해석 59
• 4) 사후 자기효능감 총점 기술통계 해석 59
• 나. 자기효능감 등분산성 검정 61
• 다. 이원분산분석(Two-way ANOVA) 결과 61
• 1) 가설 2-1 결과 63
• 2) 가설 2-2 결과 63
• 3) 가설 2-3 결과 63
• 3. 생성형 AI 집단과 스프레드시트 집단의 인지부하 64
• Ⅴ. 결론 및 제언 67
• 1. 연구 결과 요약 67
• 2. 논의 및 결론 68
• 3. 교육적 시사점 69
• 4. 연구의 제한점 및 후속 연구 제언 69
• 참고문헌 71
• 영문초록 74
• 부록 76