데이터 기반 맞춤형 수업을 위한 교사 역량 모델 연구

금선영 서울대학교 대학원 2024 국내박사

As the intelligent information society emerges, competency in data-based personalized instruction has become one of the key competencies required for teachers. Teachers can utilize data to identify students requiring additional support, reflect on the learning processes of both students and themselves, and provide appropriate interventions. More educational settings will likely use data to support personalized instruction as the amount of data accessible in smart learning environments increases. Despite the growing importance of data-based personalized instruction, teachers often need help in applying data to their teaching practices, and the educational system for pre-service teachers in this regard still needs to be improved. The gap in teachers' competency for data-based personalized instruction could affect the quality of their teaching. Teachers with lower expertise in data-based personalized instruction may fail to incorporate diagnostic results into their teaching, misinterpret data, or misuse it, leading to ineffective instructional practices. While technology enables educators to access learning data efficiently, a lack of competency in designing, implementing, and improving instruction using this data can hinder the enhancement of educational quality. Teachers are the primary agents in designing, implementing, and reflecting on courses using data. Beyond simply receiving learning analytics data from systems, teachers must make educational decisions based on this data and provide pedagogical prescriptions. To this end, it is imperative to more clearly define the abilities that educators need to possess to implement data-based personalized instruction, including the appropriate use of learning data. Understanding how a teacher’s existing pedagogical knowledge, subject matter knowledge, and data utilization competencies interconnect in data-based personalized instruction is crucial. Moreover, it is essential to clearly define the concept of a teacher’s competency in data-based personalized instruction. This research aimed to develop and validate a teacher competency model for data-based personalized instruction. The research question related to developing the competency model is: Waht is teacher competency model for data based personalized instruction? The detailed research questions are as follows: Firs, what are the teacher core competencies for data based personalized instruction? Second, what are the specific behavioral indicators according to the teacher core competencies for data based personalized instruction? The research question related to the validation of the competency model is: Is the teacher competency model for data-based personalized instruction valid? The detailed research questions for this are: Firstly, what is the content validity of the teacher competency model for data-based personalized instruction? Secondly, what is the construct validity of the teacher competency model for data-based personalized instruction? The competency model was developed, verified, and refined through expert review and feedback during the development and validation phases. Initially, a review of literature related to teaching competency, data literacy, and data-based personalized instruction was conducted. Then, a Behavioral Event Interview (BEI) was conducted with six teachers who implemented data-based personalized instruction to derive a preliminary model. Subsequently, to review and revise the content validity of the competency model, a panel of 15 experts was formed, and three rounds of Delphi surveys were conducted. Additionally, to enhance the completeness of the competency model, two rounds of Focus Group Interviews (FGI) were conducted with five experts. Through these processes, the competency model was developed and validated. Similarly, the development and validation of the diagnostic tool involved creating items aligned with the behavioral indicators defined in the competency model. The draft of the survey was reviewed for content validity by three experts and for face validity by three teachers, who were the intended test respondents. Subsequently, pilot and main tests were conducted to examine the validity of the model based on empirical data. Respondents rated each behavioral indicator's implementation level on a 5-point Likert scale. After excluding insincere responses, exploratory factor analysis and confirmatory factor analysis were conducted on the data from 131 participants in the pilot test and 283 participants in the main test, respectively, to validate the construct validity of the competency model. The study finalized a competency model with four groups, nine key competencies, and 40 behavioral indicators, confirming its validity and reliability. The competency groups are: diagnosis, design, implement, and reflection for data-based personalized instruction. The core competencies cover areas like planning data collection and analysis, implementing data collection and analysis, designing personalized instruction, designing data-based instruction, optimizing personalized personalized strategies, supporting individual learners, improving insturction, collaborative reflection with collegues, and enhancing data literacy. After analyzing the fit of the competency model, a hierarchical factor model consisting of four competency groups and nine key competencies was selected as the final model. The final model achieved measurement invariance across school levels, and its reliability has been confirmed. This research discusses the teacher competencies required for digital-based educational innovation, as well as the practice of data basded personalized instruction and data ethics in schools. It updates the teacher competency model and aids in creating data for practical research based on school context. As data-based personalized instruction generates extensive data, it enriches resources for educational research. This data can broaden and deepen studies on how teachers use data and implement instruction. The study outlines necessary competencies and behavior indicators for this instruction, guiding professional development for teachers and providing a basis for creating supportive environments and systems. Additionally, the competency model can be used in teacher assessments to develop and offer practical training programs based on these results. 지능정보화사회의 도래와 함께 데이터 기반 맞춤형 수업을 위한 교사 역량은 교사에게 요구되는 중요한 역량 중 하나이다. 교사는 데이터를 활용하여 지원이 필요한 학생을 식별하고, 학생과 교사의 학습에 대해 성찰하고, 적절한 처치를 제공해줄 수 있다. 앞으로 스마트 학습 환경에 서 사용할 수 있는 데이터의 양이 증가함에 따라 더 많은 교육 현장에서 맞춤형 교수학습을 지원하기 위해 데이터를 사용할 것으로 예상된다. 그 러나 이처럼 데이터 기반 맞춤형 수업의 중요성이 커지고 있음에도 불구 하고, 교사는 여전히 데이터를 수업에 적용하는 데 어려움을 겪으며, 예 비 교원을 위한 교육 체계 또한 부족한 실정이다. 데이터 기반 맞춤형 수업을 위한 교사 역량의 차이는 곧 수업의 질과도 관련된다. 데이터 기 반 맞춤형 수업에 대한 전문성이 낮은 교사는 진단 결과를 수업에 반영 하지 않거나, 데이터를 잘못 해석하거나 오용하여 잘못된 수업을 실천할 수 있다. 테크놀로지를 활용한다면 교수자는 손쉽게 학습 데이터를 확인 할 수 있지만, 이를 활용해 수업을 설계하고, 실행하고, 개선하는 역량이 부족하다면 교육의 질을 개선하지 못할 것이다. 교사는 데이터를 활용하여 수업을 설계하고, 실행하고, 성찰하는 주체 이다. 교사는 단순히 시스템으로부터 학습분석 데이터를 제공받는 것에 서 나아가 데이터를 기반으로 교육적 의사결정을 내리고, 교수적 처방을 제공해야 한다. 이를 위해서는 교사가 기존에 가지고 있는 교육학 지식, 내용 지식과 데이터 활용 역량이 어떻게 연결되는지 이해하고, 데이터 기반 맞춤형 수업을 위한 교사 역량의 개념을 명확히 정의할 필요가 있 다. 이를 위해 본 연구에서는 데이터 기반 맞춤형 수업을 위한 교사 역 량 모델을 개발하고, 타당화하였다. 역량 모델 개발과 관련된 연구 문제 는 첫째, 데이터 기반 맞춤형 수업을 위한 교사 역량 모델은 무엇인가이 다. 이에 관한 세부 연구 문제는 첫째, 데이터 기반 맞춤형 수업을 위한 교사의 핵심 역량은 무엇인가, 둘째, 데이터 기반 맞춤형 수업을 위한 교 사의 핵심 역량에 따른 구체적 행동 지표는 무엇인가이다. 역량 모델 타 당화와 관련된 연구 문제는 데이터 기반 맞춤형 수업을 위한 교사 역량 모델은 타당한가이다. 이에 관한 세부 연구 문제는 첫째, 데이터 기반 맞 춤형 수업을 위한 교사 역량 모델의 내용 타당도는 어떠한가, 둘째, 데이 터 기반 맞춤형 수업을 위한 교사 역량 모델의 구인 타당도는 어떠한가 이다. 역량 모델 초안을 개발하기 위해 데이터와 맞춤형 수업, 교사 역량 등 에 관련된 선행문헌을 검토하였다. 그리고 학교 현장에서 데이터 기반 맞춤형 수업을 실천하는 교사 6명을 대상으로 행동사건면담(BEI, Behavior Event Interview)을 실시하여 역량 모델 초안을 도출하였다. 이후 역량 모델의 내용 타당도를 검토하고 수정‧보완하기 위해 15 명의 전문가 패널을 구성하여 3회의 델파이 조사를 실시하였다. 또한, 역량 모델의 완성도를 높이기 위해 5명의 전문가를 대상으로 2회의 초점집단 면담(FGI, Focus Group Interview)을 실시하였다. 다음으로 경험적 자료 로부터 역량 모델의 타당도를 검토하고자 역량 모델의 행동지표를 중심 으로 설문 문항을 개발하였다. 설문지 초안에 대해 3명의 전문가로부터 내용 타당도를 검토받고, 설문 대상자인 3명의 교사로부터 안면 타당도 를 검토받았다. 이후 수정된 설문지로 예비조사와 본조사를 실시하였다. 응답자는 각 행동지표의 실행도에 대해 5점 Likert 척도로 응답하였다. 불성실 응답을 제외하고 예비조사 131 명, 본조사 283 명의 데이터에 대 해 각각 탐색적 요인분석과 확인적 요인분석을 실시하여 역량 모델의 구 인 타당도를 검증하였다. 연구 결과, 4 개 역량군, 9 개 핵심 역량, 40 개 행동지표와 문항으로 최종 역량 모델을 확정하고 타당도와 신뢰도를 확인하였다. 역량군은 데 이터 기반 맞춤형 수업 진단 역량군, 데이터 기반 맞춤형 수업 설계 역 량군, 데이터 기반 맞춤형 수업 실행 역량군, 데이터 기반 맞춤형 수업 성찰 역량군으로 구성되었다. 핵심 역량은 데이터 수집·분석 계획 수립 역량, 데이터 수집‧분석 실행 역량, 맞춤형 수업 설계 역량, 데이터 기반 수업 설계 역량, 맞춤형 교수전략 최적화 역량, 맞춤형 개별 학습자 지원 역량, 수업 점검 및 개선 역량, 동료 교사와의 협력적 성찰 역량, 데이터 리터러시 강화 역량이 도출되었으며, 이에 따른 행동지표가 개발되었다. 개발된 최종 역량 모델은 학교급에 상관없이 초·중등 교사 모두 활용할 수 있는 측정 동일성을 확보하였으며, 신뢰도가 검증되었다. 연구 결과를 토대로 디지털 기반 교육 혁신과 교사에게 요구되는 역 량과 학교 현장에서 데이터 기반 맞춤형 수업의 실천과 데이터 윤리에 대해 논의하였다. 본 연구는 이론적 측면에서 교사 역량 모델을 최신화 하고, 학교 현장 연구를 가능케 하는 교육 데이터 생성에 기여할 수 있 다는 데 의의가 있다. 데이터 기반 맞춤형 수업 과정에서 다양한 교수학 습 데이터가 생성됨에 따라 교육 연구에 활용할 수 있는 데이터가 풍부 해질 수 있다. 이러한 데이터를 통해 교사의 데이터 활용과 수업 실천에 관한 기존 연구 분야를 확장하고 깊이를 더할 수 있을 것으로 기대된다. 실천적 측면에서는 데이터 기반 맞춤형 수업에 필요한 역량과 구체적인 행동지표를 규명함으로써 교사의 전문성 개발에 대한 방향성을 설정하 고, 역량이 발현될 수 있는 환경과 제도 마련의 근거 자료로써 활용할 수 있을 것이다. 본 역량 모델은 교원 역량 평가 자료로 활용하여 평가 결과를 토대로 현실적으로 교원에게 필요한 연수 과정을 구안하고 제공 할 수 있을 것이다.

디지털 교육에서 학습자 데이터 기반 메타 주의 지원 전략 개발

김혜준 서울대학교 대학원 2025 국내석사

The widespread implementation of digital devices in educational environments has facilitated educational innovation based on learner data. Particularly catalyzed by the COVID-19 pandemic, metropolitan and provincial offices of education across the nation have implemented large-scale "one device per student" initiatives. Building upon this digital infrastructure, the Ministry of Education plans to gradually introduce "AI Digital Textbook" from 2025. AI Digital Textbook is a textbook that utilizes intelligent information technologies, such as artificial intelligence, to support personalized instruction for each student. The introduction of AI Digital Textbook will enable individualized learning tailored to each student's pace and level, potentially overcoming current classroom limitations. However, this transformation means that students will spend considerable time operating digital devices. The expansion of digital device-based learning raises concerns about decreased attention spans and non-educational device usage. Previous studies have shown that increased digital device usage correlates with lower attention levels and negatively impacts academic achievement in the long term. Additionally, these devices can easily distract students by inducing multitasking behavior. Given that digital device-based instruction offers clear advantages, students need to develop meta-attention—the ability to properly use their digital devices and self-regulate their attention. To cultivate this meta-attention, students require assistance in objectively recognizing their situational awareness. However, the current curriculum lacks systematic support for improving students' meta-attention capabilities, and student data are primarily limited to learning processes and outcomes, making it difficult to assess students' attention states. Therefore, this study developed and implemented meta-attention support strategies that enable learners to recognize and regulate their attention based on data in digital education, collaborating with field experts and theoretical experts. The research questions are as follows: First, what are the learner data-based meta-attention support strategies and detailed guidelines? Second, how is the instructional process structured when applying learner data-based meta-attention support strategies? Third, what are the effects and areas for improvement in classes implementing learner data-based meta-attention support strategies? Fourth, what learner characteristics influence attention improvement? To address these research questions, the study employed Design-based Research (DBR) methodology. Through an expert council comprising six field experts and three theoretical experts, the study identified practical problems and needs, and developed and continuously improved support strategies by building theoretical foundations through literature review. The field implementation involved conducting strategy-based instruction with one homeroom teacher and 68 first-year high school students, and examining both instructor and learner responses. Learner attention data were collected using edutech, which was used to create an attention dashboard. Students completed advanced inquiry tasks in integrated science following the meta-attention support strategy phases, and the FAIR attention test was administered to verify effectiveness. Additionally, qualitative data were collected through in-depth interviews with one teacher and 13 students. The collected data were analyzed using descriptive statistics and paired t-tests for quantitative data, while thematic analysis was applied to qualitative data. This analysis revealed the effectiveness and areas for improvement of the support strategies, detailed instructional processes, and learner characteristics that influence attention improvement. The study resulted in the development of learner data-based meta-attention support strategies comprising 12 support strategies and 35 detailed guidelines across four categories: meta-attention guidance, attention planning, attention monitoring, and attention evaluation, with three strategies per category. The meta-attention guidance phase includes motivating meta-attention activities through the presentation of successful attention improvement cases, providing detailed guidance on meta-attention concepts and procedures, and incorporating practice exercises and comprehension checks for meta-attention. The attention planning phase involves a process in which students initially examine their attention status through a learner data-based attention dashboard, subsequently analyze the causes of their behaviors, and ultimately establish specific attention goals and improvement strategies for the current session. The attention monitoring phase provides guidance on recognizing and regulating situations of decreased attention during class, encouraging students to self-check their status when their attention wanes, and implementing attention improvement strategies to regain focus. Individual feedback can be provided through teacher circulation during this phase. In the attention evaluation phase, students assess their attention goal achievement and strategy effectiveness after completing activities. The strategies used are cumulatively recorded, allowing students to reflect on these records and identify the most effective strategies for themselves. The class concludes with students sharing their meta-attention experiences with peers, providing peer feedback, and establishing foundations for future attention planning. The detailed instructional process analysis revealed changes in both teacher strategy implementation and student participation patterns. A heatmap analysis of the teacher's strategy usage frequency by session demonstrated temporal changes in strategy implementation. Specifically, the first session showed the highest strategy usage rates across all phases, with meta-attention guidance and attention planning decreasing over subsequent sessions, while attention monitoring and evaluation maintained consistent levels. Regarding specific strategies, those with low or no usage frequency appeared to transition naturally into implicit learning through class participation, primarily due to time constraints. Subsequently, time-series data was used to verify the sequence of strategy implementation. The instruction process generally proceeded according to the developed strategy sequence. Among the various strategies, only the strategy of identifying students needing assistance through student data review was implemented first, before class. Changes in student participation processes were thoroughly examined based on survey data collected each session and interview results, providing detailed insights into students' dashboard checking methods and reactions, categorization of established attention goals and improvement strategies, strategy effectiveness evaluation and modification processes, and peer interaction content. The FAIR attention test results demonstrated statistically significant improvements in students' attention levels. All subcategories—selective attention, sustained attention, and self-control—demonstrated substantial improvement. Student interviews revealed positive effects including development of self-directed learning strategies, enhanced intrinsic motivation and self-efficacy, improved attention, and voluntary transfer of meta-attention skills. Limitations included individual activity-centered instruction and technical constraints in data collection. Instructor interviews identified key achievements: providing different meta-attention experience opportunities for learners of varying abilities, maintaining continuous motivation through the dashboard, and meta-attention activity transfer. However, limitations were noted, including insufficient individualized support for different learner levels, technical limitations in attention data collection, and limited peer interaction opportunities. Finally, analysis of learner behavior patterns and perceptions identified factors influencing attention improvement. Based on classroom activity data comparing high and low improvers, high improvers tended to set specific, quantified goals, while low improvers set abstract, ambiguous goals. Strategy utilization was higher among high improvers, with their strategy use increasing over time, while low improvers exhibited stagnant or declining strategy use. Regarding data reliability, high improvers demonstrated strong trust in the data, viewing the attention dashboard as a tool for discovering previously unrecognized information. In contrast, low improvers displayed skepticism about data accuracy and demonstrated off-task behavior after identifying data limitations. This study presents a novel educational approach for attention improvement in the digital transformation era. It systematically developed strategies and detailed guidelines for instructors to design learner data-based meta-attention instruction to effectively enhance learner attention in digital education. The study empirically verified the instruction's effectiveness and conducted detailed analysis of the instructional process. Its significance lies in presenting a new paradigm that supports learners’ self-directed attention development through the integration of learner attention data and meta-attention. 교육 현장의 디지털기기 도입이 확대되면서 학습자 데이터 기반의 교육 혁신이 이루어지고 있다. 특히 코로나 팬데믹을 계기로 전국 시도교육청은 ‘학생 1인 1기기’ 사업을 대대적으로 시행하였으며, 교육부는 이러한 디지털 인프라를 기반으로 2025년부터 ‘AI 디지털 교과서’를 순차적으로 도입할 예정이다. AI 디지털 교과서란 인공지능과 같은 지능정보화기술을 활용하여 학생별 맞춤형 수업을 지원하는 교과서이다. AI 디지털 교과서가 도입된다면 개별 학생의 학습 속도와 수준에 맞춘 개인화된 학습이 가능하며, 이는 현재 교실의 한계를 극복할 수 있다. 하지만 이러한 변화로 인해 학생들은 상당한 시간을 디지털기기를 조작하는 데 보내게 된다. 디지털기기를 활용한 학습의 확대는 학습자의 주의력 저하와 학습 목적 외 사용과 같은 우려를 동반한다. 선행연구에 따르면, 디지털기기의 사용 시간이 많을수록 주의력이 낮아지며, 장기적으로 학업 성취에도 부정적인 영향을 미치는 것으로 나타났다. 또한, 멀티태스킹을 유발하여 학생들의 주의를 쉽게 분산시킨다. 하지만 디지털기기를 활용하는 수업의 장점도 분명히 있기에 이러한 상황에서 학생들은 자신의 디지털기기를 올바르게 사용하며, 주의를 스스로 조절할 수 있는 능력인 메타 주의가 필요하다. 이러한 메타 주의를 기르기 위해서는 학생들이 자신의 상황을 객관적으로 인식할 수 있는 도움이 필요하다. 하지만, 현재 교육과정에서는 학생들의 메타 주의력 향상을 위한 체계적인 지원이 부재한 실정이며, 학생들의 데이터는 주로 학습 과정과 결과에 국한되어 있어, 학생들의 주의 현황을 파악하기에는 한계가 있다. 이에 본 연구는 디지털 교육에서 데이터를 기반으로 학습자가 스스로 자신의 주의를 인지하여 행동을 조절할 수 있는 메타 주의 지원 전략을 현장전문가, 이론전문가와 함께 개발하고 현장에 적용하였다. 본 연구의 연구문제는 다음과 같다. 첫째, 학습자 데이터 기반 메타 주의 지원 전략과 상세지침은 무엇인가? 둘째, 학습자 데이터 기반 메타 주의 지원 전략을 적용한 수업은 어떤 과정으로 이루어지는가? 셋째, 학습자 데이터 기반 메타 주의 지원 전략을 적용한 수업의 효과와 개선점은 무엇인가? 넷째, 주의력 향상에 영향을 미치는 학습자 특성에는 무엇이 있는가? 위 연구문제를 해결하기 위해 설계기반연구(Design-based Research, DBR)의 방법론에 따라 진행하였다. 현장전문가 6명, 이론전문가 3명으로 구성된 전문가 협의회를 기반으로 현장의 문제와 요구를 파악하고, 선행 문헌 검토를 통해 이론적 기반을 구축하여 지원 전략을 개발하고 지속적으로 개선하였다. 현장적용은 담임 교사 1인과 고등학교 1학생 68명을 대상으로 지원 전략을 적용한 수업을 실시하고 교수자와 학습자의 반응을 확인하였다. 에듀테크를 활용하여 학습자 주의 데이터를 수집하였으며, 이를 기반으로 주의 대시보드를 제작하였다. 학생들은 메타 주의 지원 전략의 단계에 따라 통합과학 심화 탐구 과제를 수행하였으며, 전략의 효과성 검증을 위해 FAIR 주의력 검사를 실시하였다. 또한, 교사 1인과 학생 13명을 대상으로 심층 면담을 실시하여 질적 데이터를 수집하였다. 수집된 자료는 양적 데이터의 경우 기술통계와 대응표본 t검정을, 질적 자료는 주제분석을 통해 분석하였다. 이를 통해 지원 전략의 효과성과 개선점, 수업의 구체적인 과정, 주의력 향상에 영향을 미치는 학습자 특성을 확인하였다. 연구결과, 학습자 데이터 기반 메타 주의 지원 전략으로 메타 주의 안내, 주의 계획, 주의 점검, 주의 평가로 구성된 4개의 범주 아래 범주별 3개씩, 총 12가지의 지원 전략과 35개의 상세지침이 도출되었다. 메타 주의 안내 단계에서는 주의 향상의 성공사례 제시를 통한 메타 주의 활동에 대한 동기 유발과 메타 주의 개념 및 절차에 대한 구체적인 안내, 그리고 메타 주의에 대한 연습과 이해도 점검 활동이 포함되었다. 주의 계획 단계에서는 학습자 데이터를 기반으로 개발된 주의 대시보드를 통해 자신의 주의 현황을 파악하는 것과 행동을 하게 된 원인을 분석하고 이를 기반으로 한 이번 시간의 구체적 주의 목표와 주의 향상 전략을 수립하는 것으로 이루어진다. 주의 점검 단계에서는 수업 중 주의력 저하 상황의 인지와 조절 방안을 안내하고, 학생들이 스스로 주의가 떨어졌을 때 자신의 상태를 점검하고, 주의 향상 전략을 시행하여 다시 주의를 높이도록 한다. 이때 교사의 순회 지도를 통한 개별 피드백이 제공될 수 있다. 주의 평가 단계에서는 활동이 끝난 후 해당 차시의 주의 목표 달성도와 전략 효과성을 평가한다. 이때 사용한 전략은 누적으로 기록되는데 학생들은 그중 자신에게 가장 효과적인 전략을 생각한다. 수업 후반에 친구들과 메타 주의 경험 공유를 통해 서로 피드백을 주고 차기 주의 계획 수립의 기반을 마련하는 것으로 구성되어 있다. 수업의 세부 진행 과정으로는 교사의 전략 사용과 학생들의 수업 참여 과정의 변화를 확인하였다. 히트맵으로 교사의 차시별 전략 사용 빈도를 분석하여 시간에 따라 교사의 전략 사용의 변화를 확인하였다. 1차시에는 모든 단계에서 가장 높은 전략 사용률을 보였으며, 메타 주의 안내와 주의 계획은 차시에 따라 감소하는 반면, 주의 점검과 평가는 일정한 수준을 유지하는 것으로 확인하였다. 다음으로는 시계열 데이터로 전략 사용의 순서를 확인하였다. 대체로 개발된 전략의 순서대로 수업이 진행되었다. 수업 전 학생들의 데이터를 보고 도움이 필요한 학생을 파악하는 전략이 제일 선행되었다. 학생들의 수업 참여 과정 변화는 매 차시 진행했던 설문 조사 데이터와 면담 결과를 기반으로 학생들의 대시보드 확인 방법과 느낌, 설정한 주의 목표와 주의 향상 전략 유형화, 전략의 효과성 평가와 수정 과정, 친구들과의 교류 내용을 상세히 확인할 수 있었다. FAIR 주의력 검사 결과 학생들의 주의력은 통계적으로 유의한 향상이 있었다. 세부 항목으로 선택적 주의, 지속적 주의, 자기 통제력 모두 큰 향상이 있었다. 학습자 면담 결과로는 자기 주도적 학습 전략 개발과 내적 동기와 자기 효능감 증진, 주의력 향상, 메타 주의의 자발적 전이의 긍정적 효과가 확인되었다. 제한점으로는 개별 활동 중심 수업, 데이터 수집의 기술적 한계가 있었다. 교수자 면담 결과로는 다양한 수준의 학습자에게 각기 다른 메타 주의 경험 기회의 제공과 대시보드를 통한 지속적 동기 부여가 주요한 성과로 나타났다. 하지만 학습자 수준별 개별화된 지원 부족, 주의 데이터 수집의 기술적 한계, 학습자 간 상호작용 기회 부족 등이 제한점으로 지적되었다. 마지막으로, 학습자들의 행동 패턴과 인식을 분석하여 주의력 향상에 영향을 미치는 요인을 확인하였다. 주의력 고향상자, 저향상자의 수업 활동 데이터를 토대로 분석한 결과 고향상자는 구체적이고 수치화된 목표를, 저향상자는 추상적이고 모호한 목표를 설정하는 경향이 있었다. 전략 활용도에도 고향상자가 저향상자보다 더 많이 사용하는 경향이 있었으며, 고향상자는 시간이 지날수록 전략 사용 횟수가 증가하는 반면, 저향상자의 전략 사용 횟수는 변화가 없거나 시간이 갈수록 감소하였다. 데이터 신뢰도와 관련하여 고향상자는 데이터를 매우 신뢰하는 모습이 보였다. 자신이 미처 깨닫지 못한 정보를 주의 대시보드를 통해 확인할 수 있다고 보았으나, 저향상자의 경우 데이터의 부정확성과 관련하여 회의적인 태도를 보이며, 데이터의 한계를 파악하여 수업과 관련 없는 행동을 하는 모습을 보였다. 본 연구는 디지털 전환 시대에서 주의력 향상을 위한 새로운 교육적 접근 방법을 제시하였다. 교수자가 디지털 교육에서 학습자의 주의력을 효과적으로 향상시키기 위한 학습자 데이터 기반 메타 주의 수업을 설계하는 데 참고할 수 있는 전략과 상세지침을 체계적으로 개발하였으며, 수업의 효과를 실증적으로 검증하고 수업의 과정을 세부적으로 분석하였다. 학습자의 주의 데이터와 메타 주의의 결합을 통해 학습자의 주체적인 주의력 성장을 지원하는 새로운 패러다임을 제시했다는 점에서 의의를 가진다.

수학 교과의 내재적 동기 향상을 위한 게임 기반 학습에 대한 설계기반연구

최지원 서울대학교 대학원 2025 국내석사

As artificial intelligence rapidly advances, the ability to think critically and solve complex problems logically is becoming increasingly important. In a society shaped by generative AI, individuals who possess critical thinking skills are less likely to be replaced by artificial intelligence. However, in South Korea, the growing percentage of students failing to meet basic proficiency in mathematics is creating a serious issue of learning gaps. Mathematics, as a subject, is highly hierarchical, meaning that gaps in foundational knowledge significantly impact subsequent learning. Game-based learning can serve as an effective solution to address this issue by fostering students’ interest in mathematics and encouraging active engagement with the subject. Nevertheless, most existing game-based learning programs focus primarily on stimulating extrinsic motivation, which makes it challenging for learners to continue studying mathematics autonomously after discontinuing the game. This study seeks to overcome such limitations by developing a new type of game-based learning that promotes sustained and self-directed learning in mathematics. By applying the principles of Self-Determination Theory, the game-based learning program is designed to stimulate intrinsic motivation, guiding learners toward a more autonomous approach to studying mathematics. Specifically, this research aims to develop a game-based learning model that enhances intrinsic motivation for mathematics, thoroughly examine its effectiveness, and identify areas for improvement. To achieve these goals, the study employs a design-based research (DBR) methodology. A design team consisting of a field expert, a theoretical expert, and a programming expert was formed to ensure a close connection with educational practice. Through iterative discussions and reviews, design principles grounded in Self-Determination Theory were established. These principles were then applied to develop a digital game-based learning program. The intervention was implemented with 73 middle school students, with data collected across 7 sessions. During the first session, participants completed a pre-test assessing intrinsic motivation for mathematics and a diagnostic evaluation of mathematics achievement. The second to fourth sessions involved engaging in the game-based learning activities, and in the fifth session, a post-test was administered to measure changes in intrinsic motivation. Additionally, semi-structured interviews were conducted with the top 10% and bottom 10% of participants based on their changes in motivation scores, and a delayed post-test for measuring intrinsic motivation on mathematics was conducted one month after the intervention. The results demonstrated that game-based learning significantly enhanced intrinsic motivation for mathematics. Participants showed notable improvements in interest toward the subject, and this interest was maintained or further increased even after ceasing playing the game. Mid-level learners benefited the most from the intervention. Furthermore, the findings revealed that intrinsic motivation improved most significantly among learners who adhered to game rules and utilized game features to achieve personal goals without engaging in interactions with peers during gameplay. This study makes both practical and academic contributions. First, it extends the application of Self-Determination Theory by demonstrating its effectiveness in the context of game-based learning. Second, it empirically confirms the efficacy of game-based learning in fostering and enhancing intrinsic motivation for mathematics. Third, it emphasizes the necessity of instructional support from teachers when implementing game-based learning in real-world educational settings. Overall, this research provides a comprehensive analysis of the impact of game-based learning on intrinsic motivation in mathematics education. It also explores the behavioral patterns of learners that influence motivational improvements, offering a theoretical foundation for the sustainable integration of game-based learning in both academic research and practical education. 인공지능이 빠르게 발전하면서 논리적으로 사고하여 복잡한 문제를 해결할 수 있는 비판적 사고 역량을 갖추는 것이 점차 중요해지고 있다. 생성형 AI가 등장한 사회에서 비판적 사고 역량을 갖춘 인재는 인공지능에 대체되지 않을 가능성이 높기 때문이다. 이는 수학 학습으로 기를 수 있지만, 우리나라 수학 기초학력 미달 비율이 점차 높아져 수학 공백의 문제가 심각해지고 있다. 수학 교과는 위계성이 강한 교과로, 선수 학습의 공백은 후수 학습에도 영향을 미치기 때문이다. 이러한 문제는 게임 기반 학습을 도입하여 극복할 수 있다. 게임 기반 학습은 학습자가 수학에 흥미를 갖고 학습할 수 있도록 도움을 줄 수 있기 때문이다. 그러나 현재 개발된 게임 기반 학습은 주로 학습자의 외재적 동기를 자극하는데 초점이 맞추어져 있어 학습자가 게임을 중단한 이후에도 자기주도적으로 수학 학습을 이어나가는데 어려움이 있다. 따라서 본 연구는 기존 게임 기반 학습의 한계점을 극복하고, 학습자의 지속적이고 자기주도적인 수학 학습을 촉진할 수 있는 새로운 형태의 게임 기반 학습을 개발하고자 한다. 자기결정성 이론을 기반으로 게임 기반 학습을 설계함으로써 학습자의 내재적 동기를 자극하여 자기주도적인 수학 학습을 유도할 것이다. 즉 수학 교과에 대한 내재적 동기를 유발 및 향상시킬 수 있는 게임 기반 학습을 개발하고 그 효과를 면밀히 살펴보고자 한다. 이에 본 연구는 자기결정성 이론을 기반으로 게임 기반 학습의 설계원리를 도출하고, 이에 따라 개발된 디지털 형태의 게임 기반 학습을 적용하여 실행 과정을 확인한다. 또한 게임 기반 학습의 효과와 개선점을 검증하고, 동기 향상을 보인 학습자 특성을 살펴보고자 한다. 본 연구의 구체적인 연구 문제는 다음과 같다. 첫째, 수학 교과의 내재적 동기를 향상시키기 위한 게임 기반 학습의 설계원리는 무엇인가? 둘째, 수학 교과의 내재적 동기를 향상시키기 위한 게임 기반 학습은 어떠한 과정으로 이루어지는가? 셋째, 수학 교과의 내재적 동기를 향상시키기 위한 게임 기반 학습의 효과와 개선점은 무엇인가? 넷째, 수학 교과의 내재적 동기 향상에 영향을 미치는 학습자 특성에는 무엇이 있는가? 연구문제 2에 대한 가설은 다음과 같다. (가설 1) 게임 기반 학습은 학습자의 수학 교과의 내재적 동기를 향상시킬 것이다. 이와 같은 연구 문제를 검증하기 위해 설계기반연구를 진행하였다. 교육 현장과 밀접한 관계를 맺으며 연구를 진행하기 위해 현장 전문가, 이론 전문가, 그리고 개발 전문가가 포함된 설계팀을 구성하였다. 이후 설계팀과 반복적인 수정 및 검토를 통해 자기결정성 이론을 기반으로 한 설계원리를 도출하였다. 이후, 도출된 설계원리의 설계원리와 상세지침을 반영하여 디지털 형태의 게임 기반 학습을 개발하였다. 개발된 게임 기반 학습은 중학생 73명에 적용하여 데이터를 수집하였다. 연구 참여자들은 1차시에 수학 교과의 내재적 동기 수준에 대한 사전 검사와 수학 학업성취도 진단 평가를 실시하였고, 2-4차시에 게임 기반 학습을 플레이하였으며, 5차시에는 수학 교과의 내재적 동기에 대한 사후 검사를 실시하였다. 이후 사전 수학 교과의 내재적 동기 수준과 사후 동기 간 유의미한 변화가 있는 상위 10%와 하위 10% 학습자를 대상으로 반구조화 면담을 진행하였으며, 게임 기반 학습 종료 한 달 뒤 수학 교과의 내재적 동기에 대해 지연 사후 검사를 시행하였다. 연구 결과, 게임 기반 학습은 수학 교과의 내재적 동기를 유의미하게 향상시켜 가설 1이 채택되었다. 게임 기반 학습을 통해 학습자들은 수학에 대한 흥미가 유의미하게 향상되었고, 유발된 흥미는 게임 플레이를 중단한 이후에도 지속되거나 향상됨을 확인하였다. 특히 중위권 학습자에게 게임 기반 학습이 가장 효과적임을 확인하였다. 또한, 학습자가 게임 기반 학습을 플레이하며 다른 학습자와 상호작용하지 않고 개인적 목표를 달성하기 위해 게임 규칙과 기능 사용에 충실한 행동 패턴을 보일 때, 수학 교과의 내재적 동기가 향상함을 확인하였다. 본 연구의 실천적, 학문적 의의는 다음과 같다. 첫째, 본 연구는 자기결정성 이론이 게임 기반 학습의 맥락에서 효과적으로 적용됨을 제시함으로써 이론의 확장에 기여하였다. 둘째, 게임 기반 학습이 학습자의 수학 교과의 내재적 동기를 유발하고 향상시키는데 효과적임을 실증적으로 제시하였다. 셋째, 게임 기반 학습을 교육 현장에 적용할 때 교사의 교수적 지원이 필요함을 제안하였다. 결론적으로, 본 연구는 게임 기반 학습이 수학 교육에서 내재적 동기 유발에 미치는 영향을 실증적으로 분석하였으며, 수학 교과의 내재적 동기 향상에 영향을 미치는 학습자의 게임 과정과 행동 패턴을 탐색하였다. 이는 향후 교육 현장과 학문적 연구에 있어서 게임 기반 학습의 지속 가능한 교육 및 적용에 대한 이론적 토대를 제공한다는 점에서 의의가 있다.

온라인 동영상 학습에서 자기설명을 촉진하기 위한 ChatGPT와 상호작용이 학습 참여도와 성취도에 미치는 영향

한예원 서울대학교 대학원 2025 국내석사

The rapid advancement of technology has necessitated continuous learning and adaptability as essential competencies, leading to the proliferation of online learning that transcends temporal and spatial boundaries. However, video-based online learning often suffers from a lack of interaction with instructors and peers, hindering timely resolution of learning difficulties and resulting in diminished learning experiences, motivation, achievement, and increased attrition rates. To address these challenges, this study investigated the effects of interaction with ChatGPT to facilitate self-explanation on learning engagement and achievement in video-based online learning. Self-explanation, a learning strategy in which learners articulate their understanding and connect new concepts with prior knowledge, has been shown to foster deep comprehension. By promoting self-explanation and providing real-time, personalized scaffolding, ChatGPT can potentially transform passive learning into an active, engaging experience. This study empirically examined the effects of interaction with ChatGPT to facilitate self-explanation on learning engagement and achievement in video-based online learning, as well as learners' perceptions of this approach. The specific research questions were: (1) How does interaction with ChatGPT to facilitate self-explanation affect learning engagement in video-based online learning? (2) What are the effects of such interaction on learning achievement? (3) What are learners' perceptions of interaction with ChatGPT to facilitate self-explanation in video-based online learning? An experimental study was conducted with 50 undergraduate and graduate students randomly assigned to an experimental group, engaging in interaction with ChatGPT to facilitate self-explanation, and a control group, receiving static scaffolding via activity sheets. A pre-post design was employed, with learning engagement assessed through surveys, learning achievement measured via knowledge tests and qualitative analyses of self-explanations, and learners' perceptions explored through interviews. The results indicated no significant differences in overall learning engagement between the groups. However, the experimental group exhibited significantly greater improvements in knowledge acquisition and the quality of self-explanations compared to the control group, with a significant correlation observed between self-explanation quality and knowledge acquisition. Learners reported that interaction with ChatGPT to facilitate self-explanation deepened their understanding and strengthened their self-directed learning attitudes, despite certain limitations in cognitive support and increased cognitive load. This study highlights the potential of interaction with ChatGPT to facilitate self-explanation, thereby enhancing learning achievement in video-based online learning. The findings provide practical implications for transforming passive learning experiences into active, higher-order learning processes. Furthermore, the integration of ChatGPT as a self-explanation facilitator offers a novel strategy to address the limitations of traditional self-explanation, fostering deeper and more systematic thinking. These insights contribute to the academic discourse on leveraging AI technologies to promote meaningful learning in video-based online learning. 최근 사회는 급격한 기술 발전에 따라 개인의 지속적인 학습과 적응 능력을 필수적인 역량으로 요구하고 있으며 이러한 변화는 시공간 제약 없이 학습이 가능한 온라인 학습의 확산으로 이어졌다. 그러나 온라인 학습 방법 중 하나인 온라인 동영상 학습은 교사나 동료와의 상호작용 부족으로 인해 학습 과정에서 겪는 어려움에 대한 적시적 해결 곤란으로 학습 경험의 질적 저하 문제가 지속적으로 나타나고 있다. 학습 경험의 질적 수준 저하는 학습 동기 저하와 낮은 성취도 문제에서 나아가 높은 중도 탈락률이라는 사회적 문제를 초래하고 있다. 이러한 문제를 해결하기 위해 개별 학습자를 대상으로 이루어질 수 있는 활동 중 구성적 특성을 띈 자기설명 학습활동을 도입하고 이를 ChatGPT와 상호작용을 통해 촉진함으로써 학습자의 심층적 이해와 지속적인 학습 참여를 지원할 수 있는 가능성을 탐구하고자 하였다. 자기설명은 학습자가 학습 내용을 스스로 설명하고, 이를 통해 기존 지식과 새로운 개념을 연결하여 심층적인 이해를 도모하는 학습 방법으로, ChatGPT는 학습자의 자기설명을 유도하고 실시간으로 맞춤형 정보를 제공함으로써 기존의 수동적인 학습을 능동적인 학습 경험으로 전환시킬 수 있을 것으로 기대된다. 이에 본 연구는 자기설명을 촉진하기 위한 ChatGPT와 상호작용이 학습 참여도와 성취도에 미치는 영향을 실증적으로 검증하고, 자기설명을 촉진하기 위한 ChatGPT와의 상호작용에 대해 학습자가 통해 어떠한 인식을 가지는지를 확인하였다. 본 연구의 구체적인 연구 질문은 다음과 같다. 첫째, 온라인 동영상 학습에서 자기설명을 촉진하기 위한 ChatGPT와 상호작용은 학습 참여도에 어떠한 영향을 미치는가? 둘째, 온라인 동영상 학습에서 자기설명을 촉진하기 위한 ChatGPT와 상호작용은 성취도에 어떠한 영향을 미치는가? 셋째, 온라인 동영상 학습에서 자기설명을 촉진하기 위한 ChatGPT와의 상호작용에 대해 학습자의 인식은 어떠한가? 본 연구는 위의 세 가지 연구 문제에 답하기 위하여 대학생 및 대학원생 50명을 대상으로 실험 연구를 진행하였다. 연구 참여자들은 무작위로 자기설명 촉진을 위해 ChatGPT와 상호작용하는 실험집단과 활동지를 활용하는 통제집단으로 나뉘었다. 자기설명 학습활동 과정에 있어서 실험집단에는 ChatGPT와의 대화를 통한 동적 스캐폴딩이 통제집단에는 활동지를 통한 정적 스캐폴딩이 제공되었다. 실험은 사전-사후 설계로 진행되었으며, 학습 참여도는 설문조사를 통해 측정되었고, 학습 성취도는 지식 검사 점수와 자기설명의 질적 수준을 통해 측정되었으며, 학습자의 인식은 면담을 통해 자료를 수집하였다. 연구 결과, 동영상 학습에서의 학습 참여도에 있어 두 집단 간 유의미한 차이가 나타나지 않았다. 성취도의 경우, 지식 습득과 자기설명 질적 수준 모두에서 ChatGPT 상호작용 집단은 활동지 집단에 비해 더 큰 향상을 보였으며 자기설명 질적 수준이 지식 습득과 유의미한 상관관계가 있음이 제시되었다. 마지막으로 학습자들은 ChatGPT와의 자기설명 촉진을 위한 상호작용이 학습의 이해를 심화하고 자기주도적 학습 태도를 강화하는 데 효과적이었으나, 인지적 지원에 한계가 있으며 학습 피로도를 유발한다고 평가하였다. 본 연구는 동영상 학습에서 ChatGPT가 자기설명 학습활동을 촉진함으로써 학습 참여도와 성취도를 효과적으로 향상시킬 수 있음을 확인하였다. 이는 기존의 수동적 동영상 학습 경험을 능동적이고 고차원적인 학습으로 전환하기 위한 구체적인 방안을 제시하였다는 점에서 실천적 의의를 지닌다. 또한 자기설명 학습활동을 촉진하기 위해 설계된 ChatGPT는 개별적으로 이루어지는 기존의 자기설명의 한계를 보완하며 학습자의 사고를 심화하고 체계화할 수 있는 전략적 가능성을 보여주었다. 이러한 결과는 동영상 학습에서 ChatGPT를 활용하여 자기설명 학습활동을 통해 학습을 촉진하는 방법을 제시하였다는 점에서 학술적 의의를 지닌다.

플랜더스 언어상호작용 기반 AI 수업분석 시스템 개발

김수연 서울대학교 대학원 2025 국내석사

Linguistic interaction in educational settings is a critical factor influencing learners' cognitive and emotional development and serves as essential data for improving teaching methods. However, traditional classroom analysis methods are primarily manual, requiring substantial time and resources while being susceptible to analyst subjectivity. Furthermore, the lack of automated tools for quantitative analysis of classroom linguistic interactions limits teachers' ability to objectively evaluate and improve their teaching practices. While Flanders Interaction Analysis System (FIAS) is a prominent method for analyzing teacher-student verbal interaction patterns through ten categories, its complex analysis process poses practical implementation challenges in actual classroom settings. Therefore, an AI-powered automated classroom analysis system is necessary to enable teachers to analyze their teaching efficiently. This study aimed to enhance teacher professionalism by developing an AI classroom analysis system based on In-Context Learning (ICL) utilizing the GPT-4o model. The system was developed as a web application using WebStorm, which automatically converts uploaded MP3 audio files to text and provides quantitative data categorizing teacher and student utterances according to FIAS within five minutes. The GPT-4o model was trained using many-shot learning with 133 classroom dialogue datasets coded according to the FIAS framework. The web application's UI was designed following established design principles and guidelines from previous literature, featuring a split-screen layout with transcripts on the left and analysis results presented through tables and visualizations on the right. The system evaluation comprised model validity assessment and usability testing. Model validity was evaluated using scikit-learn to calculate accuracy, precision, recall, and F1 scores for 831 general datasets and 180 usability evaluation I datasets. Usability testing involved five in-service teachers who recorded their classes, analyzed them using the developed system, and participated in surveys and in-depth interviews. The survey was based on the Technology Acceptance Model (TAM), measuring perceived usefulness, ease of use, attitude, and continued use intention, while interviews explored overall user experience and potential improvements. Research results demonstrated the model's exceptional performance with 96% accuracy and high scores in precision, recall, and F1 metrics. The usability evaluation I data underwent inter-coder reliability verification using Scott's pi coefficient. Usability testing revealed average scores exceeding 4 points across all domains, with ease of use and attitude domains scoring particularly high at over 4.6 points. The system's key advantages included intuitive UI/UX design, effective result presentation, high usability, and accurate transcription provision. Users particularly appreciated the analysis results' reliability, accurate utterance labeling, rapid data processing, objective result provision, and support for teaching reflection. Areas for improvement included the need for more detailed categorization of teacher and student utterances and addressing the system's sensitivity to recording conditions. The significance of this study is as follows. First, it enhanced the efficiency of instructional analysis and minimized subjective bias through AI-based automated analysis. Second, it supported teachers' objective reflection on their instruction through the visualization of quantitative data. Third, it empirically validated the potential applications of artificial intelligence technology in education through the implementation of Large Language Models (LLMs). However, the study has certain limitations. First, being developed based on Indonesian classroom data, there may be cultural differences affecting its application in other educational contexts. Second, non-verbal interactions and learners' emotional responses were not included in the analysis scope. Third, further verification is needed regarding how quantitative analysis results translate into actual teaching methodology improvements. Future research directions should include developing models optimized for specific national educational environments, establishing comprehensive analysis systems incorporating non-verbal interactions, and validating the effect of analysis results on teaching method improvements. This study demonstrates the potential of AI-based automated classroom analysis systems to contribute to teacher professional development and learner-centered instruction implementation. The system's development marks a significant advancement in educational technology, offering a practical tool for enhancing teaching quality through objective analysis. Its high accuracy and user-friendly interface suggest promising applications in various educational settings, though cultural adaptation and feature expansion remain important areas for future development. This research provides empirical evidence that AI-based automated classroom analysis systems can effectively contribute to enhancing teacher professionalism and implementing learner-centered instruction. The findings suggest that such systems can serve as valuable tools for educational improvement, while also highlighting areas for future development and adaptation to diverse educational contexts. 교육 현장에서의 언어적 상호작용은 학습자의 인지적·정서적 성장에 핵심적 영향을 미치는 요소이며, 교수법 개선을 위한 중요한 분석 자료로 활용된다. 그러나 기존의 수업분석 방법은 수작업으로 이루어져 시간과 비용이 과다 소요되며, 분석자의 주관이 개입될 여지가 크다. 특히 수업의 언어적 상호작용을 정량적으로 분석할 수 있는 자동화된 도구의 부재로 인해, 교사들이 자신의 수업을 객관적으로 성찰하고 개선하는 데 한계가 존재한다. 플랜더스 언어상호작용 분석법은 교사-학생 간 발화 유형을 10가지 범주로 분류하여 상호작용 패턴을 분석하는 대표적 방법이나, 분석 과정의 복잡성으로 인해 현장 적용에 제약이 있다. 이에 교사들의 효율적인 수업 분석을 지원하기 위한 AI 기반 자동화 수업분석 시스템의 개발이 요구된다. 본 연구는 In-Context Learning(ICL) 기반의 GPT-4o 모델을 활용하여 AI 수업분석 시스템을 개발함으로써 교사의 전문성 향상을 도모하고자 하였다. 개발된 시스템은 웹스톰 기반의 웹 애플리케이션으로 구현되었으며, 사용자가 업로드한 수업 음성 파일(mp3)을 자동으로 텍스트로 변환한 후 플랜더스 언어상호작용 분석법을 적용하여 교사-학생 간 발화를 분류한 정량적 데이터를 5분 이내에 제공한다. GPT-4o 모델은 플랜더스 언어상호작용 분석 프레임워크에 기반한 133개의 수업 대화 데이터를 활용하여 many-shot learning 방식으로 훈련되었다. 웹 애플리케이션의 UI는 선행연구에서 도출된 설계원리 및 지침을 반영하여 구성하였으며, 화면을 좌우로 이분할하여 좌측에는 수업 전사본을, 우측에는 수업분석 결과를 표와 그래프 형태로 시각화하여 제시한다. 시스템의 평가는 모델 타당도 평가와 사용성 평가로 구분하여 실시되었다. 모델 타당도 평가에서는 831개의 데이터와 180개의 사용성 평가 I 데이터를 활용하여 사이킷런을 통해 정확성, 정밀성, 재현율, F1 점수를 산출하였다. 사용성 평가는 현장 교사 5명을 대상으로 진행되었으며, 참여 교사들은 자신의 수업을 녹음하여 개발된 시스템으로 분석한 후 설문조사와 심층면담에 참여하였다. 설문조사는 기술수용모델(TAM)에 기반한 인지된 유용성, 사용용이성, 태도, 지속 사용 의도 등의 항목으로 구성되었으며, 면담에서는 전반적 사용 경험과 개선점 등을 탐색하였다. 연구 결과, 개발된 모델은 96%의 높은 정확도를 보였으며, 정밀성, 재현율, F1 점수 모두에서 우수한 성능을 나타냈다. 특히 사용성 평가 I 데이터에 대해서는 스콧의 pi 계수를 적용한 상호 코드화 검증을 통해 신뢰도를 확보하였다. 사용성 평가에서는 모든 영역의 평균 점수가 4점 이상으로 나타났으며, 특히 사용용이성과 태도 영역은 4.6점 이상의 높은 평가를 받았다. 시스템의 주요 장점으로는 직관적인 UI/UX 디자인, 효과적인 분석 결과 제시 방식, 높은 사용 용이성, 정확한 전사 기록 제공 등이 확인되었다. 또한 분석 결과의 신뢰성, 발화 라벨링의 정확성, 신속한 데이터 처리, 객관적 결과 제공, 수업 성찰 지원 등이 긍정적으로 평가되었다. 반면 개선이 필요한 사항으로는 교사 및 학생 발화 분류의 세분화 부족과 녹음 환경에 따른 전사 결과의 품질 변동이 지적되었다. 본 연구의 의의는 다음과 같다. 첫째, AI 기반 자동 분석을 통해 수업 분석의 효율성을 제고하고 주관적 편향을 최소화하였다. 둘째, 정량적 데이터의 시각화를 통해 교사의 객관적 수업 성찰을 지원하였다. 셋째, LLM을 활용하여 교육 분야에서 인공지능 기술의 활용 가능성을 실증적으로 검증하였다. 다만 본 연구는 다음과 같은 한계를 지닌다. 첫째, 인도네시아 수업 데이터를 기반으로 개발되어 국내 교육 맥락과의 문화적 차이가 존재한다. 둘째, 비언어적 상호작용이나 학습자의 정서적 반응 등은 분석 대상에서 제외되었다. 셋째, 정량적 분석 결과가 실제 교수법 개선으로 이어지는 과정에 대한 검증이 미흡하다. 후속 연구에서는 국내 교육 환경에 최적화된 모델 개발, 비언어적 상호작용을 포함한 통합적 분석 체계 구축, 그리고 분석 결과의 교수법 개선 효과 검증 등이 이루어져야 할 것이다. 본 연구는 AI 기반 자동 수업분석 시스템이 교사의 전문성 신장과 학습자 중심 수업 구현에 기여할 수 있음을 실증적으로 입증하였다는 점에서 의의가 있다.

생성형 AI를 활용한 협력적 문제해결수업 설계원리 개발

민환웅 서울대학교 대학원 2025 국내석사

디지털 전환 시대의 도래와 함께 생성형 AI는 다양한 분야에서 창의적이고 협력적인 문제 해결의 도구로 주목받고 있다. 특히, 생성형 AI는 텍스트, 이미지, 음악 등 여러 형태의 콘텐츠를 생성하고 학습자와 협력하며 복잡한 문제를 해결할 수 있는 잠재력을 지니고 있다. 교육 현장에서 생성형 AI를 활용한 협력적 문제해결 수업은 학습자의 창의성과 비판적 사고, 협력적 문제해결 역량을 강화할 수 있는 중요한 방안으로 자리 잡고 있다. 본 연구는 생성형 AI를 활용한 협력적 문제해결 수업 설계원리를 개발하고, 이를 실제 교육 현장에 적용하여 그 효과와 개선점을 분석하고자 하였다. 연구의 주요 목적은 학습자가 AI와 협력하여 창의적이고 비판적인 사고를 발전시키고, 협력적 문제해결 역량을 증진시킬 수 있는 체계적인 설계원리를 제안하는 것이다. 이를 위해 연구는 설계기반연구(Design-Based Research, DBR) 방법론을 채택하여 진행되었으며, 전문가 협의와 현장 적용을 통해 설계원리를 도출하고 그 효과성을 검증하였다. 본 연구에서 제시하는 구체적인 연구 문제는 다음과 같다. 첫째, 생성형 AI를 활용한 협력적 문제해결 수업의 설계원리는 어떻게 구성되는가? 둘째, 생성형 AI를 활용한 협력적 문제해결 수업의 설계원리를 적용한 수업의 효과성와 개선점은 무엇인가? 위 연구 문제를 해결하고자 먼저 선행연구와 문헌 고찰을 통해 초기 설계원리와 상세 지침을 만들고 이후 전문가집단 논의 및 전문가 검토를 통해 최종 11개 설계원리와 40개의 상세지침을 도출하였다. 초등학교 6학년 학급 26명을 대상으로 설계원리를 적용한 6차시 수업을 실행하였으며, 수업 전후 사전·사후 검사와 면담을 통해 학습자와 교수자의 반응을 확인하였다. 수업은 생성형 AI의 원리와 윤리를 이해하고, 프롬프트 설계와 협력적 문제해결 과제를 단계적으로 수행하는 방식으로 진행되었다. 학습자는 생성형 AI와의 상호작용을 통해 구체적이고 실질적인 문제 해결 과정을 경험하였으며, 이를 통해 협력적 학습 환경에서 AI 활용 역량을 강화하였다. 연구 결과, 생성형 AI를 활용한 협력적 문제해결 수업은 학습자의 창의성과 비판적 사고, 협력적 문제해결 역량을 증진시키는 데 효과적임이 확인되었다. 사전·사후 검사 결과, 생성형 AI 활용 역량과 협력적 문제해결 역량에서 통계적으로 유의미한 차이가 나타났으며, 상황흥미와 수업 만족도에서도 긍정적인 반응이 확인되었다. 질적 분석 결과, 학습자들은 AI와 협력하며 문제를 해결하는 과정에서 자신감을 얻고, 생성형AI의 활용 가능성과 윤리적 문제를 비판적으로 이해하게 되었다. 교수자는 수업 설계원리가 교육 현장에서 실질적으로 적용 가능하며 학습자의 협력과 AI 활용 능력을 효과적으로 증진시킬 수 있음을 긍정적으로 평가하였다. 본 연구는 생성형 AI를 협력적 문제해결학습의 교육적 도구로 활용하는 체계적인 설계원리와 구체적인 지침을 제안함으로써, AI 시대에 적합한 협력적 학습 환경을 구축하는 데 기여할 수 있을 것이다. 이를 통해 학습자들은 AI를 활용하여 동료들과 협력해 창의적이고 효과적으로 문제를 해결하는 능력을 기를 수 있을 것이다.

생성형 AI 윤리 역량을 위한 학습자 중심 교육프로그램 개발

김주영 서울대학교 대학원 2024 국내석사

생성형 AI 기술과 빅데이터의 발전으로 인해 교육 분야에서도 학생 맞춤형 교육과 자기 주도적 학습의 필요성이 대두되고 있다. 이에 따 라 교육부와 시도교육청 등 여러 교육 기관에서는 생성형 AI의 교육적 활용 방안을 적극적으로 지원하고 있으며, 최근 연구들은 생성형 AI가 교육의 효율성을 높일 수 있음을 보여주고 있다. 그러나 생성형 AI의 활용에 대한 긍정적인 기대와 부정적인 우려가 공존하고 있다. 이를 효과적으로 활용하기 위해서는 기술의 발전이 교육 현장에 미치는 영 향을 종합적으로 이해하고, 다양한 관점에서의 연구와 교육 현장에서 의 실질적인 교육이 필요하다. 본 연구의 주요 목적은 중학생을 대상으로 윤리적 측면을 강조하는 생성형 AI 윤리 교육프로그램을 개발하고, 그 효과를 검증하는 것이다. 이를 통해 학생들이 생성형 AI의 윤리적 문제를 이해하고 실제 생활에 적용할 수 있는 능력을 함양하는 것을 목표로 한다. 구체적으로 연구 문제는 다음과 같다. 첫째, 생성형 AI 윤리 교육프로그램의 내용은 무 엇인가? 둘째, 해당 프로그램은 내적으로 타당한가? 셋째, 프로그램의 효과는 무엇인가? 위 연구 문제를 해결하고자 설계·개발 연구의 방법론에 따라 연구 를 진행하였다. 먼저 문헌조사와 교육 현장의 교사 및 학생 설문을 통 해 교육내용 요소를 도출하였다. 이를 기반으로 6차시 분량의 학생 활 동 중심 수업모형을 설계하고, 이를 온라인 산출물로 구현하였다. 이후 AI 교육 경험이 있는 중학교 교사 5명을 대상으로 전문가 타당화 및 사용성 평가를 진행하여 교육프로그램의 내적 타당성을 확보하였다. 다음으로 중학교 3학년 남학생 75명을 대상으로 프로그램을 적용하여 교육 효과를 검증하였다. 학생들은 도입-생각-공유-통합-종합 및 성찰 의 단계로 구성된 활동 중심 수업을 통해 생성형 AI 윤리 역량 함양 과제를 수행하였다. 수업 전후 검사지를 활용하여 생성형 AI 윤리 역 량을 측정하였고, 수업 후에는 5명의 학생을 대상으로 사용성 평가 면 담을 실시하였다. 수집된 자료 중 양적 자료는 기술 통계와 윌콕슨 부호 순위 검정을 통해 분석하였고, 질적 자료는 내용 분석 방법을 활용하여 분석하였다. 사전·사후 검사 결과를 비교한 결과, 생성형 AI의 이해, 환각 현상, 편향성, 개인정보 보호, 저작권 보호 영역 모두에서 학생들의 윤리적 이해와 인식이 유의미하게 향상되었음을 확인할 수 있었다. 또한, 사용 성 평가 면담에서도 전반적으로 긍정적인 평가를 얻을 수 있었다. 학 생들은 교육프로그램을 통해 생성형 AI의 윤리적 문제를 이해하고, 실 제 생활에 적용할 수 있는 능력을 기를 수 있었다고 응답하였다. 본 연구에서 개발된 교육프로그램은 생성형 AI의 특수한 윤리적 과 제를 다루었으며, 교육 현장에서 실질적으로 적용 가능하다는 평가를 받았다. 또한 학습자의 생성형 AI 윤리 역량 함양에 유의미한 영향을 미친다는 의의를 지닌다. 주요어: 생성형AI, AI윤리역량, 학습자중심교육 학 번: 2022-28449 With the advancement of generative AI technology and big data, the need for personalized education and self-directed learning has become increasingly important in the educational field. The Ministry of Education and various regional education offices are actively supporting the educational use of generative AI, and recent studies have shown that generative AI can enhance educational efficiency. However, there are both positive expectations and negative concerns regarding the use of generative AI. To comprehensively understand the impact of technology on education and effectively utilize it, diverse research perspectives and practical education in the field are necessary. The primary purpose of this study is to develop and verify the effectiveness of an educational program emphasizing the ethical aspects of generative AI for middle school students. The goal is to help students understand the ethical issues of generative AI and develop the ability to apply this understanding in real life. Specifically, the research questions are as follows: First, what are the contents of the generative AI ethics education program? Second, is the program internally valid? Third, what are the effects of the program? To address these research questions, the study was conducted following a design and development research methodology. Initially, educational content elements were derived through literature review and surveys of teachers and students in the educational field. A six-session, student activity-centered instructional model was designed to promote meaningful learning, and it was implemented as an online output. The program's internal validity was ensured through expert validation and usability evaluation by five middle school teachers with AI education experience. The program was then applied to 75 male 9th-grade students to verify its educational effectiveness. The students engaged in activity-centered lessons structured in phases of introduction, thinking, sharing, integration, and reflection to develop their generative AI ethics competency. Pre- and post-tests were used to measure the students' ethical competencies regarding generative AI, and a usability evaluation interview was conducted with five students after the lessons. Quantitative data were analyzed using descriptive statistics and the Wilcoxon signed-rank test, while qualitative data were analyzed using content analysis. Comparison of pre- and post-test results showed significant improvement in students' ethical understanding and awareness in areas such as understanding generative AI, hallucination phenomena, bias, personal information protection, and copyright protection. The student interviews also yielded generally positive evaluations. Students reported that the educational program helped them understand the ethical issues of generative AI and develop the ability to apply this understanding in real life. The educational program developed in this study addresses the unique ethical challenges of generative AI and has been evaluated as practically applicable and useful in the educational field. Furthermore, it has significant implications for enhancing students' generative AI ethics competency. Keywords: Generative AI, AI Ethics Competency, Learner-Centered Education Student Number : 2022-28449

인공지능 리터러시 함양을 위한 프롬프트 기반 프로그래밍 수업 전략 개발

심연재 서울대학교 대학원 2024 국내석사

디지털 대전환 시대의 도래와 함께 인공지능(AI) 기술이 사회 전반에 급 속도로 확산되고 있다. 특히 최근 AI 기술의 발전 양상은 기존의 분류, 회귀 분석 중심의 예측 모델에서 한 걸음 더 나아가 텍스트, 이미지, 음성 등 다 양한 형태의 콘텐츠를 생성할 수 있는 생성형 AI로 진화하고 있다. 이러한 생성형 AI의 등장은 예술, 의료, 법률, 교육 등 거의 모든 분야에 광범위한 영향을 미치고 있으며, 특히 프로그래밍 분야에서는 코드 생성형 AI의 등장 으로 소프트웨어 개발 방식에 근본적인 변화를 가져오는 중이다. 이러한 기술적 변화와 맞물려 교육 분야에서도 인공지능 리터러시의 중 요성이 크게 부각되고 있다. 인공지능 리터러시는 단순히 인공지능 기술에 대한 이해를 넘어, 인공지능과 효과적으로 소통하고 협력하며 이를 활용하여 창의적으로 문제를 해결할 수 있는 능력을 포함한다. 특히 코드 생성형 AI의 등장은 프로그래밍 교육의 패러다임을 크게 변화시키고 있어, 이에 대응할 수 있는 새로운 교육 방식의 필요성이 강조되고 있다. 이에 본 연구의 목적은 인공지능의 작동 원리를 이해하고, 인공지능과 협 력하고 소통하며, 인공지능을 활용해 창의적으로 문제를 해결할 수 있는 인 공지능 리터러시 함양을 위한 프롬프트 기반 프로그래밍 수업 전략과 상세 지침을 개발하는 것이다. 개발된 수업 전략과 상세지침에 대해서는 전문가 검토를 통해 내적 타당화 과정을 거쳤으며, 현장 적용을 통해 효과성을 검증 하고 개선 방법을 도출하였다. 본 연구에서 제시하는 구체적인 연구 문제는 다음과 같다. 첫째, 인공지능 리터러시 함양을 위한 프롬프트 기반 프로그래 밍 수업 전략은 어떻게 구성되는가? 둘째, 인공지능 리터러시 함양을 위한 프롬프트 기반 프로그래밍 수업 전략은 내적으로 타당한가? 셋째, 인공지능 리터러시 함양을 위한 프롬프트 기반 프로그래밍 수업 전략의 효과와 개선 점은 무엇인가? 위 연구 문제를 해결하고자 연구 방법으로는 Richey 와 Klein(2007)이 제 시한 설계·개발 연구 방법론을 채택하였다. 이에 따라 연구는 크게 세 단계 로 진행되었다. 첫째, 선행 문헌 검토 및 경험적 탐색을 통해 초기 수업 전 략과 상세지침을 개발하였다. 둘째, 전문가 4인을 대상으로 전문가 검토를 진행하여 수업 전략과 상세지침의 내적 타당성을 확보하였다. 마지막으로 고 등학교 2학년 학생 20명과 교사 1인을 대상으로 수업 전략과 상세지침을 적 용하여 설계된 수업을 진행하고, 학습자와 교수자의 반응을 확인하여 효과와 개선점을 알아보았다. 수업 전략 개발을 위해서는 SW 수업 모델 중 시연 중심 모델에 해당하 는 DMM(Demonstration-Modeling, Making) 모형을 채택하였다. 이는 교사 의 시연, 학습자의 모방, 학습자의 독립적인 제작 단계로 구성되어 있어 프 로그래밍 학습에 적합한 구조를 제공한다. 이를 바탕으로 본 연구에서는 수 업 전략을 도입, 프로그래밍 전, 프로그래밍 중, 프로그래밍 후 의 4개 범주 로 구성하고, 6개의 수업 전략과 23개의 상세지침을 도출하였다. 단계 별 수 업 전략과 상세지침은 해설과 예시를 포함하여 교사들이 실제 수업에서 구 체적으로 활용할 수 있도록 하였다. 도입 단계에서는 프롬프트 기반 프로그래밍의 목적과 활동을 안내하고, 학습 동기를 촉진하는 전략을 제시하며 4가지 상세지침으로 구성하였다. 프 로그래밍 전 단계에서는 교사가 프롬프트 기반 프로그래밍 시범을 보이고, 표준 모델을 제시하는 수업 전략을 도출하였고, 효과적인 프롬프트 작성 방 법 비교, 학생 간 토론 등의 6가지 상세지침을 포함하였다. 프로그래밍 중 단계는 학습자의 프롬프트 프로그래밍 모방, 개별적 실습 진행, 실생활 문제 해결의 세 가지 전략으로 구성되었으며 각각은 3개, 4개, 3개의 상세 지침을 포함한다. 이 단계에서는 학습자가 직접 프롬프트를 작성 하고, 코드 생성형 AI와 상호작용 하며 문제를 해결하는 과정이 이루어진다. 프로그래밍 후 단계에는 학습 과정 성찰, 동료 피드백, 교수자의 종합, 향 후 계획 수립 등의 활동을 포함하는 전략을 도출하였고 3개의 상세지침으로 구성하였다. 이러한 체계적인 수업 전략의 구성을 통해 학습자들이 단계적으 로 프롬프트 기반 프로그래밍 능력을 향상하도록 하였고, 궁극적으로는 인공 지능 리터러시를 함양할 수 있도록 설계하였다. With the advent of the digital transformation era, Artificial Intelligence (AI) technology is rapidly spreading throughout society. Recent developments in AI technology have evolved from traditional prediction models centered on classification and regression analysis to generative AI capable of producing various forms of content such as text, images, and voice. The emergence of generative AI is having a widespread impact on almost all fields, including art, medicine, law, and education. In particular, the advent of code-generating AI in the programming field is bringing about fundamental changes in software development methods. In line with these technological changes, the importance of AI literacy is being greatly emphasized in the field of education. AI literacy goes beyond simply understanding AI technology to include the ability to effectively communicate and collaborate with AI and use it to creatively solve problems. The emergence of code-generating AI, in particular, is significantly changing the paradigm of programming education, emphasizing the need for new educational methods to respond to this change. The purpose of this study is to develop prompt-based programming instructional strategies and detailed guidelines for cultivating AI literacy that enables understanding of AI operating principles, collaboration and communication with AI, and creative problem-solving using AI. The developed instructional strategies and detailed guidelines underwent internal validation through expert review, and their effectiveness was verified through field application, leading to the derivation of improvement methods. The specific research questions addressed in this study are as follows: First, how are prompt-based programming instructional strategies for cultivating AI literacy structured? Second, are the prompt-based programming instructional strategies for cultivating AI literacy internally valid? Third, what are the effects and areas for improvement of the prompt-based programming instructional strategies for cultivating AI literacy? To address these research questions, the design and development research methodology proposed by Richey and Klein (2007) was adopted. Accordingly, the research was conducted in three main stages. First, initial instructional strategies and detailed guidelines were developed through a review of previous literature and empirical exploration. Second, expert review was conducted with four experts to ensure the internal validity of the instructional strategies and detailed guidelines. Lastly, the instructional strategies and detailed guidelines were applied to 20 second-year high school students and one teacher to conduct the designed lessons, and the reactions of learners and instructors were examined to identify effects and areas for improvement. For the development of instructional strategies, the DMM (Demonstration-Modeling, Making) model, which is a demonstration-centered model among SW instructional models, was adopted. This model provides a structure suitable for programming learning, consisting of teacher demonstration, learner imitation, and learner independent production stages. Based on this, this study organized the instructional strategies into four categories: introduction, pre-programming, during programming, and post-programming, deriving 6 instructional strategies and 23 detailed guidelines. The instructional strategies and detailed guidelines for each stage included explanations and examples to allow teachers to use them specifically in actual classes. The introduction stage consists of four detailed guidelines that present strategies for guiding the purpose and activities of prompt-based programming and promoting learning motivation. The pre-programming stage derived instructional strategies for the teacher to demonstrate prompt-based programming and present a standard model, including six detailed guidelines such as comparing effective prompt writing methods and discussions among students. The during programming stage consists of three strategies: learner imitation of prompt programming, individual practice, and solving real-life problems, each including 3, 4, and 3 detailed guidelines respectively. In this stage, learners directly write prompts and solve problems through interaction with ChatGPT. The post-programming stage derived strategies including activities such as reflecting on the learning process, peer feedback, instructor synthesis, and future planning, consisting of three detailed guidelines. Through this systematic composition of instructional strategies, learners were designed to gradually improve their prompt-based programming skills and ultimately cultivate AI literacy. To ensure the validity of the developed instructional strategies, expert validation was conducted twice. The expert group consisted of two educational technology experts and two computer education experts who evaluated the overall validity, explanatory power, usefulness, universality, and comprehensibility of the instructional strategies, as well as the validity of each strategy and detailed guideline. After reflecting the results of the first validation, a second validation was conducted on the modified strategies, resulting in high scores and inter-expert agreement in all evaluation areas, thus securing internal validity. To verify the effectiveness of the instructional strategies, a four-session programming class was conducted with 20 second-year students from S High School in Seoul. The class was designed around the 'Data Analysis and Visualization' unit and consisted of prompt-based programming activities using ChatGPT. AI literacy pre-and post-tests were conducted before and after the class, with the test instrument composed of three areas: 'Understanding of AI', 'Communication and Collaboration with AI', and 'Problem Solving using AI', evaluated through descriptive and project-type questions. Comparison of pre-and post-test results showed statistically significant effects in the three areas of AI literacy. Particularly large improvements were observed in the areas of 'Communication and Collaboration with AI' and 'Problem Solving using AI'. This suggests that learners were able to develop practical competencies through direct interaction with code-generating AI in solving programming problems. The effectiveness of the class was also confirmed in the qualitative analysis results. Learners showed increased understanding of AI operating principles through the class and recognized the importance of prompt writing skills. They also gained confidence in solving complex programming problems through collaboration with AI. The instructor also positively evaluated the usefulness and effectiveness of the instructional strategies, emphasizing the possibility of individualized support according to learner levels. However, it was also noted that providing context for complex problem-solving was cumbersome, and learners had difficulty finding and correcting errors in AI-generated code. Some high-level learners expressed concern about reduced direct coding experience due to reliance on AI, indicating areas for improvement. Based on these results, it was confirmed that additional and step-by-step training to improve prompt writing skills, education to enhance code debugging skills, and differentiated AI utilization strategies according to learner levels are needed. This study presented instructional strategies and detailed guidelines centered on learners' practical experiences and interactions in AI literacy education. This shows that learners can cultivate literacy through direct communication and collaboration with AI, moving away from traditional delivery-centered education. It also highlighted the importance of prompt engineering skills and integrated them into the curriculum, emphasizing the importance of prompt writing skills as a core competency needed in the future AI era. By presenting specific ways to educationally utilize code-generating AI, it showed the possibility of educational innovation responding to rapidly changing technological environments and can contribute to the development of AI-utilizing educational methods in various subjects in the future.

학습자와 ChatGPT 간 논변적 상호작용이 실제적 문제해결과 학습 몰입에 미치는 영향

박소미 서울대학교 대학원 2024 국내석사

사회의 불확실성과 복잡성이 높아짐에 따라 다양한 이해관계자 간의 의견 통합이나 서로 다른 분야 간의 융합을 통해 실세계의 복잡한 문제를 해결할 수 있는 능력이 미래 사회 핵심 역량으로 다뤄지고 있다. 비구조화된 실제적 문제를 잘 해결하기 위해서는 여러 방면의 가능한 해결책을 비판적으로 검토하여 정당화하는 논변의 과정이 중요하며, 서로 다른 지식과 의견을 가진 타인과의 상호작용은 이러한 논변의 과정을 촉진한다. 하지만 비실시간 온라인 학습에서는 상호작용의 비동시성 및 지연으로 인해 상호작용이 활발히 이루어지지 못하거나 그 질이 낮아 교육적 효과가 제대로 나타나기 어렵다. ChatGPT는 인간과 비슷한 자연스러운 상호작용 경험을 제공할 수 있는 인공지능으로 온라인 학습 환경에서의 상호작용 부족 문제를 효과적으로 해결할 수 있는 가능성을 가진다. 이에 ChatGPT의 교육적 활용 가능성에 관한 다방면의 연구가 진행되고 있으나 아직까지 그 효과나 한계 및 제한점에 대한 견해가 충돌하고 있는 상황이다. 따라서 ChatGPT와의 상호작용이 실제 학습에 미치는 영향을 검증하고 그 효과와 제한점에 대해 분석할 필요성이 있다. 이에 본 연구에서는 온라인 학습 맥락에서 ChatGPT와의 논변적 상호작용이 학습자와의 상호작용과 비교하였을 때 문제해결과 학습 몰입에 있어서 효과적인지 실험을 통해 확인하고 해당 과정에서의 학습자 인식을 조사하고자 하였다. 본 연구의 구체적인 연구 문제는 다음과 같다. 첫째, 온라인 학습에서 학습자와 ChatGPT 간 논변적 상호작용이 실제적 문제해결에 어떠한 영향을 미치는가? 둘째, 온라인 학습에서 학습자와 ChatGPT 간 논변적 상호작용이 학습 몰입에 어떠한 영향을 미치는가? 셋째, 온라인 학습에서 학습자와 ChatGPT 간 상호작용의 효과와 제한점에 대해 학습자는 어떻게 인식하는가? 앞서 제시한 연구 문제를 해결하기 위해 실험 연구를 진행하고, 실험 연구의 한계를 일부 극복하기 위한 면담을 함께 실시하였다. 먼저, 선행연구를 바탕으로 연구 도구를 개발하고 만 18세 이상의 서울 소재 대학생 60명을 대상으로 실험을 진행하였다. 실험 참여자들은 사전 설문 및 검사, 실험 처치에 기반한 학습 활동, 사후 설문 및 검사의 과정을 거쳤다. 실험 처치에서는 자료 읽기, 두 집단으로 나누어져 ChatGPT 또는 인간 학습자와 논변적 상호작용하기, 문제 해결안 작성하기의 단계가 진행되었으며, ChatGPT와 상호작용한 집단에 대해서는 사후 설문 및 검사 이후 면담이 이루어졌다. 실험 종료 후 지식 검사와 문제 해결안을 루브릭에 기반해 채점하고 설문, 검사, 문제 해결안 점수에 대한 통계분석을 진행하였다. 이때, 지식 검사의 경우 반복측정 분산분석을 통해 집단 간 차이를 비교하였으며, 문제 해결안 점수와 학습 몰입 설문 결과에 대해서는 독립표본 t 검정을 실시하였다. 면담을 통해 수집된 질적 자료에 대해서는 주제분석을 실시하였다. 연구 결과, ChatGPT와의 논변적 상호작용은 학습자가 문제해결과 관련된 지식을 습득하고 더 나은 질적 수준의 문제 해결안을 작성하도록 하는 효과가 있는 것으로 나타나 문제해결에 긍정적 영향을 미치는 것으로 확인되었다. 학습 몰입에 있어서는 ChatGPT 상호작용 집단과 학습자 상호작용 집단 간의 유의한 차이가 나타나지 않았다. 학습자들은 ChatGPT와의 상호작용이 문제해결을 위한 인지적 지원 제공, 심리적 부담 감소, 적극적 태도 고취의 측면에서 효과적이지만, 고차적 사고 제한, 인간적 감성 결여, 부자연스러운 상호작용 등의 제한점이 있음을 보고하였다. 본 연구는 ChatGPT와의 논변적 상호작용이 가지는 학습 효과를 검증함으로써 고차적 사고가 요구되는 문제해결의 맥락에서도 ChatGPT를 효과적으로 활용할 수 있음을 밝혔다. 본 연구는 향후 ChatGPT를 활용해 온라인 학습 환경을 개선하거나 교육적 지원을 제공함에 있어서 참고할 수 있는 지식적 기반을 마련했다는 점에서 이론적 의의가 있으며, 학습자와 ChatGPT 간 상호작용의 효과성을 극대화하고 제한점을 일부 극복하기 위한 구체적인 방안을 제시했다는 점에서 실천적인 의의를 가진다. 주요어 : ChatGPT, 논변, 상호작용, 실제적 문제해결, 학습 몰입 학 번 : 2022-28372 As the uncertainty and complexity of society increases, the ability to resolve complex real-world problems by integrating opinions of diverse stakeholders and fusing different fields has emerged as a core competency for future society. To effectively address ill-structured real-world problems, it is crucial to critically examine and justify various possible solutions through argumentation. Argumentation can be facilitated by interacting with others who possess different knowledge and opinions about the problem. However, asynchronous online learning environments present challenges to educationally effective interaction due to their lack of real-time interaction and delayed responses. As a results, students may engage in low-quality interactions or show a lack of active interaction. ChatGPT, as an artificial intelligence capable of providing an interaction experience akin to that with humans, holds potential to act as a solution to the issue of insufficient interaction in online learning environments. Multifaceted research is being conducted on the educational potential of ChatGPT, but there are still conflicting views regarding its effectiveness and constraints. Therefore, it is necessary to verify the impact of interaction with ChatGPT on actual learning and analyze its effects and limitations. This study aimed to experimentally determine whether argumentative interaction with ChatGPT in an online learning context is more effective in problem-solving and learning flow compared to interaction with another human learner. Additionally, this study sought to investigate learners' perceptions during this process. The specific research questions of the study are as follows: 1) What effect does the interaction between learners and ChatGPT in online learning have on authentic problem-solving?, 2) What effect does the interaction between learners and ChatGPT in online learning have on learning flow?, 3) How do learners perceive the effectiveness and limitations of interaction with ChatGPT in online learning? To address the aforementioned research questions, an experimental study was conducted, complemented by interviews to partially overcome the limitations of the experimental research. Research tools were developed based on prior studies, and an experiment was conducted with 60 undergraduate students over the age of 18. Students first completed a pre-experiment questionnaire and test, then participated in learning activities based on the experimental treatment, and then filled out a post-experiment questionnaire and test. The experimental treatment stage involved reading given materials, engaging in argumentative interaction with either ChatGPT or another human learner, and performing a task: writing a solution to the problem. Interviews were conducted after the post-experiment questionnaire and test for the group that interacted with ChatGPT. After the experiment, the knowledge test and problem solution writing results were scored based on rubrics, and a statistical analysis was conducted on the questionnaire, test scores, and problem solution writing scores. For the knowledge test, repeated measures ANOVA was used to compare differences between groups, while independent sample t-tests were conducted for the problem solution writing scores and learning flow survey results. Thematic analysis was used to analyze the qualitative data collected through interviews. The results indicated that argumentative interaction with ChatGPT positively influences problem-solving by enabling learners to acquire knowledge related to the task and to compose better problem solution. In terms of learning flow, no significant difference was observed between the group interacting with ChatGPT and those interacting with fellow learners. Learners reported that interaction with ChatGPT was effective in providing cognitive support for problem-solving, reducing psychological burden, and encouraging active attitudes. However, they noted limitations such as restricted higher-order thinking, lack of emotional exchange, and unnatural interactions. This study verified the educational effectiveness of argumentative interaction with ChatGPT, thereby demonstrating its potential utility in contexts requiring higher-order thinking for problem-solving. This study holds theoretical significance in that it establishes a knowledge base that can be referenced for enhancing online learning environments or providing educational support using ChatGPT. In a practical sense, the study suggests specific strategies that can be used to maximize the effectiveness of interactions between learners and ChatGPT and to overcome some of its limitations.

Effects of AI-generated annotations on digital academic reading : Extended mind and cognitive offloading

신부경 서울대학교 대학원 2025 국내석사

본 연구는 고등교육에서 생성형 인공지능 기반 주석이 디지털 학술 텍스트 읽기에 미치는 영향을 조사하였다. 디지털 학술적 읽기는 독해와 질문 생성 측면에서 모두, 특히 EFL 학습자들에게 어려움을 초래할 수 있지만, 동시에 상호작용적 기능을 통한 기술적 지원 기회를 제공한다. 본 연구는 서로 다른 유형의 AI 생성 주석이 학습 성과와 상호작용 패턴에 미치는 영향을 구체적으로 검토하였다. 지능이 기술을 포함한 환경과의 복잡한 상호작용을 통해 형성된다고 주장하는 분산인지 이론에 기반하여, 본 연구는 인지적 경감(cognitive offloading)을 위한 번역 주석과 확장된 사고(extended mind)를 위한 질문 주석을 비교 분석하였다. 이를 통해 본 연구는 고등교육의 맥락에서 디지털 학술적 읽기를 지원하는 도구 및 학습 과정 디자인에 시사점을 제공하고자 한다. 본 연구는 47명의 한국 고등교육 학습자를 대상으로 생성형 인공지능 기반 주석이 학습 성과에 미치는 영향을 실험 연구의 방법으로 조사하였다. 참가자들은 각각 4단락으로 구성된 영어 학술 텍스트를 대상으로 번역 주석 또는 질문 주석이 제공된 두 가지 읽기 과제를 수행하였다. 주석은 Claude.ai를 활용하여 사전에 제작되었다. 웹 기반 인터페이스를 통해 참가자들은 텍스트와 상호작용하고, 주석을 생성하며, 코멘트를 추가할 수 있었다. 또한, 독해 문제 및 질문 생성 문제로 구성된 과제를 수행하였다. 읽기 결과는 독해 점수, 인식론적 상태 호기심, 질문 생성 개수 및 수준을, 과정 데이터는 로그 데이터를 수집하고,사후 면담 데이터를 수집하였다. 주석의 종류가 읽기 결과에 미치는 영향을 파악하기 위해 반복측정 분산분석을 활용하여 주석 유형별 결과 변수의 차이를 통계적으로 분석하였다. 상호작용 패턴은 순차 분석과 확률적 프로세스 마이닝을 통해 분석되었으며, 통계 분석을 보완하기 위해 면담 데이터의 주제 분석이 수행되었다. 연구 결과, 조건 간 읽기 결과와 상호작용 패턴의 뚜렷한 차이가 나타났다. 통계 분석 결과, 번역 주석 조건에서 특히 주요 아이디어 파악 문항에서 유의하게 높은 독해력 점수를 보였다. 호기심 측면에서는 두 조건 간 차이가 나타나지 않았다. 반면, 질문 주석을 활용할 때 참가자들은 '창조' 수준의 질문을 유의하게 더 많이 생성하여, 질문 주석이 창의적 연구 질문 생성을 지원할 수 있음이 드러났다. 프로세스 마이닝 분석 결과, 질문 주석은 더 복잡한 검토 패턴과 텍스트-주석 간 통합을 유도한 반면, 번역 주석은 더 효율적이고 빠른 읽기 과정을 촉진했다. 면담 결과와 종합해보았을 때, 번역 주석은 인지적 경감을 일으켜 독해를 증진했으나 깊은 사고를 제한할 수 있는 반면, 질문 주석은 인지적 요구가 증가했음에도 사고를 확장시켜 질문 생성을 촉진하였다는 결론을 도출할 수 있었다. 이러한 결과는 인공지능 도구가 디지털 학술적 읽기를 지원하는 방식에 대한 이해를 높일 수 있다. 본 연구는 분산인지 이론에 대한 이론적 함의와 생성형 인공지능을 활용한 디지털 학술적 읽기 지원의 설계를 위한 실용적 지침을 제공하며, 특히 고등교육 맥락의 EFL 학습자 지원에 시사점을 제공한다. 연구 결과는 초기 독해를 위한 번역 주석 활용 후 창의적 사고와 연구 아이디어 생성을 촉진하기 위한 질문 주석 활용이라는 두 단계에 걸친 접근을 제안한다. 이러한 단계적 접근을 활용한 설계를 활용하면 텍스트의 내용을 이해한 후, 비판적 참여, 연구 질문 형성과 같은 학술적 읽기의 더 넓은 목표를 모두 달성하는 데 도움이 될 수 있다. This study investigates the impact of AI-generated annotations on digital academic reading in higher education. While digital academic reading poses challenges in terms of reading comprehension as well as academic question generation, particularly for EFL students, it also offers opportunities for technological support through interactive features. The research specifically examines how different types of AI-generated annotations affect reading outcomes and interaction patterns. Drawing on distributed intelligence theory, which posits that intelligence evolves through complex interactions with the environment, including technology, this study compares two annotation designs: translation annotations for cognitive offloading and question annotations for extended mind interactions. The research aims to inform the design of digital academic reading support tools, particularly in higher education contexts. This study employed a within-participant experimental design to examine how AI-generated annotations affect learning outcomes among 47 South Korean higher education students. Participants completed two reading tasks each involving four-paragraph English academic texts, with either translation or question annotations provided. Annotations were created prior to the experiment using Claude.ai. The web-based interface allowed participants to interact with text segments, create annotations, and add comments while completing reading comprehension and question generation tasks. Reading outcome measures (reading comprehension, epistemic state curiosity, and question generation), interaction measures through trace data, and post-task semi-structured interview data were collected. To discern the effects of annotation design on reading outcomes, differences in outcome variables by annotation type were statistically analyzed using repeated-measures ANOVA methods. Interaction patterns were analyzed using sequence analysis and stochastic process mining; in addition, thematic analysis of interview data was conducted to complement the statistical analysis. Results revealed distinct outcomes and interaction patterns between conditions. Statistical analysis showed significantly higher reading comprehension scores for translation annotations, particularly for main idea identification. No differences were observed between conditions for epistemic state curiosity. Conversely, question annotations led to increased generation of creative research questions, with participants producing significantly more "create" level questions. For interaction patterns, sequence analysis and process mining showed that while translation annotations led to more efficient, faster reading with less text review, question annotations promoted more complex interactions involving frequent text review and integration between the text and annotations. Taken together with the interview analysis results, this suggests that translation annotations reduce cognitive load and thus enhance reading comprehension by offloading translation processes but potentially limit deeper processing, while question annotations extend the mind despite increased cognitive demands, leading to a reorganization of learning towards academic question generation. These findings contribute to our understanding of how AI tools can support digital academic reading. The study provides theoretical implications for distributed intelligence theory and practical guidelines for designing AI-based educational technology, particularly for supporting EFL learners in higher education contexts. Results suggest a potential two-step approach: utilizing translation annotations for initial comprehension, followed by question annotations to promote creative thinking and research ideation. This staged approach could help address both the immediate challenges of comprehension and the broader goals of academic reading, such as critical engagement and research question formulation.