학습과학 기반의 기술적 문제해결 과정 분석 프레임워크 = A Learning Sciences–Based Analytical Framework for Technological Problem-Solving Processes

국문 초록 (Abstract)

본 연구는 학습과학 기반으로 기술적 문제해결 과정을 분석하기 위한 프레임워크를 구성하는 것을 목적으로 한다. 이를 통해 기술교육에서 ‘무엇을 분석 단위로 삼고, 어떤 과정자료를수집하며, 무엇에 근거하여 학습변화를 추론할 것인가’를 학습과학적으로 결정할 수 있는이론적‧방법론적 기반을 제공하고자 한다. 이를 위해 학습과학의 다양한 이론적 전통과 연구흐름 가운데 기술적 문제해결의 특성과 직접 관련되는 관점을 목적지향적으로 선별하고, 핵심개념의 기능과 관계를 비교·통합하였다. 이를 바탕으로 기술적 문제해결에서 학습이 전개되는 양상을 설명하고, 이를 과정자료에 근거하여 분석하기 위한 프레임워크를 도출하였다. 연구 결과, 첫째, 기술적 문제해결에서의 학습은 활동 중 얻은 정보가 학습자의 현재 문제이해, 지식, 근거 및 전략에 비추어 해석되고, 이에 따라 학습자의 후속 판단과 행동이 조정되며, 후속 활동에서 얻은 새로운 정보가 다시 해석되는 순환적 과정으로 개념화되었다. 이를토대로 학습기제 및 학습변화의 관계를 나타내는 현상모형을 구성하였다. 둘째, 핵심 학습기제로 상황에 맞는 지식 재구성, 생각의 표현과 재구성, 재료·도구 정보를 통한 조정, 대화를통한 관점 정교화, 불일치 진단에 따른 수정, 메타인지적 모니터링과 조절의 여섯 가지를 도출하였다. 셋째, 학습기제의 작동과 학습변화를 추론하는 분석모형을 구성하였다. 본 연구는 문제해결을 단계별로 수행했다는 사실과 실제 일어난 학습변화를 구별하고, 과정자료에 근거하여 기술적 문제해결을 분석할 수 있는 기반을 제공하였다는 것에 의의가 있다. 후속 연구에서는 발화, 표상 및 산출물 자료에 본 프레임워크를 적용하여 학습변화와 전이성과 간의 관계를 경험적으로 검토해야 한다. 이를 통해 본 프레임워크를 수업 현장의 과정평가를 지원하는 분석 도구로 정교화할 필요가 있다. 또한, 음성인식, 자연어처리, 컴퓨터 비전등의 학습데이터 분석 기술을 연계하여 현장에서 수집되는 다중양식 과정자료를 체계적으로처리하고, 학습변화의 양상을 효율적으로 분석하는 방안을 탐색할 필요가 있다.

다국어 초록 (Multilingual Abstract)

This study developed a framework for analyzing technological problem-solving processes from a learning sciences perspective, thereby providing a theoretical and methodological basis for determining the units of analysis, process data to be collected, and evidence required to infer learning in technology education. Theoretical perspectives and research strands in the learning sciences were purposively selected based on their relevance to technological problem solving and synthesized to explain how learning unfolds and can be analyzed through process data. First, learning during technological problem solving was conceptualized as a recursive cycle in which information obtained through activity is interpreted in relation to learners’ current problem understanding, knowledge, design rationale, and strategies, thereby reconfiguring subsequent judgments and actions; based on this principle, an explanatory model was constructed to represent the relationships among activity events, learning mechanisms, and changes in learners’ understanding and strategies. Second, six core learning mechanisms were identified: context-sensitive knowledge restructuring; representation and restructuring of ideas; adjustment based on information from materials and tools; refinement of perspectives through dialogue; revision based on diagnosed discrepancies; and metacognitive monitoring and regulation.
Third, an analytical model was developed to infer learning mechanisms and learning-related changes by temporally ordering process data, segmenting them into activity events, comparing process evidence against decision criteria, triangulating across data sources, and examining alternative explanations. By distinguishing the completion of problem-solving stages from actual changes in learners’ understanding and strategies, this study provides a foundation for analyzing learning during technological problem solving based on process data. Future studies should apply the framework to learner discourse, representations, and artifacts to examine the relationship between learning-related changes and transfer outcomes and to refine it as an analytical tool for supporting process-oriented classroom assessment.
Further research should explore how learning analytics technologies, including automatic speech recognition, natural language processing, and computer vision, can support the systematic processing of multimodal process data and the efficient analysis of patterns of learning-related change.