국내 초·중등 교육에서 데이터 과학 교육 연구 동향 분석 = Analysis of Research Trends in Data Science Education in Korean K–12 Settings

국문 초록 (Abstract)

본 연구의 목적은 최근 10년간 국내에서 수행된 초중고 데이터 과학 교육 프로그램 연구를 체계적으로 분석하여 국내 데이터 과학 교육의 현황을 조사하고 향후 발전 방향을 제안하는 데 있다. 이를 위해 산업 현장에서 널리 활용되는 CRISP-DM, KDD, OSEMN 프레임워크를 바탕으로 교육 참여자, 학습 활동 맥락 및 유형, 학습 내용, 실습 도구, 사용 데이터, 목표 역량 등의 교육 프로그램 핵심 요소로 구성된 분석 틀을 도출하여 총 26편의 국내 연구를 분석하였다. 분석 결과, 주요 학습 활동 유형은 프로젝트 기반 학습과 토의·토론이었으며, 학습 내용은 대부분 데이터 수집·이해, 탐색적 분석, 결과 해석·활용 단계를 중심으로 구성되어 있었다. 한편, 전처리와 모델 구축 단계는 상대적으로 적게 다뤄지고 있었다. 실습 도구로는 블록 코딩과 GUI 도구 중심의 도구 활용이 두드러졌으나, AI 기반 코드 작성 지원 도구의 활용 사례는 확인되지 않았다. 또한 다루는 데이터의 경우 실제 데이터를 활용하는 경향이 강화되고 있음을 확인할 수 있었다. 목표 역량은 기능 중심으로 설계되는 경우가 많았고, 데이터 윤리와 같은 태도적 역량은 제한적으로 제시되었다. 분석 결과를 바탕으로 초중고 데이터 과학 교육의 체계적 연계 및 발전 방향을 논의한다.

다국어 초록 (Multilingual Abstract)

This study systematically analyzes data science education programs implemented in Korean K–12 settings over the past decade to examine the current state of data science education and propose directions for future development. Using CRISP-DM, KDD, and OSEMN as analytical criteria, an analysis framework was constructed encompassing key program components: target learners, instructional context and activities, learning content, tools, levels of data used, and intended competencies. Through this framework, 26 domestic studies were reviewed. The analysis revealed that project-based learning and discussion-oriented activities were commonly employed. The learning content was primarily focused on data collection and understanding, exploratory data analysis, and interpretation and application of results, with relatively less emphasis on data preprocessing and model development. The tools used prominently block coding and GUI tools. While the use of real-world datasets has increased, no cases utilizing AI-assisted coding tools were identified. Intended competencies were predominantly functional, with minimal attention to attitudinal competencies such as data ethics. Based on these findings, this study discusses the necessity of coherent K–12 alignment and proposes future directions for advancing data science education.