• 보다 정확하게 학습자의 수준을 진단하고 그 수준에 맞게끔 처방해줄 수 있을까?
• 학습자의 학습 상태를 실시간으로 분석해서 최적의 학습경로(Learning Pathway)를 제시해줄 수 있을까?

교육정보화(Education Technology) 업계에서는 꽤 오랜시간 동안 Personalization(개인화)에 대한 Trial & Error를 경험해왔었다.

국내에선 알파고(2016년 3월 9일부터 15일)를 통해 뒤늦게 국내에 이슈가 된 빅데이터 기술, 머신러닝, 딥러닝, 국제표준, 링크드오픈데이터, API 등의 기술은 과거에는 분석이 어려웠던 빅데이터를 기반으로 한 소셜네트워크 분석이나 담화분석 등을 가능하게 함으로써 고품질의 학습경험(Learning Experience) 즉,  “클래스”가 다른 개인화를 경험할 수 있게 되었다.

협소한 국내 시장규모와 국가주도 교육정보화 사업으로 자생적 교육정보화 생태계를 만들지 못한 우리의 교육 환경과는 달리, 미국, 영국, 호주, 스칸디나비아를 중심으로 해외에서는 꾸준히 Education Technology 영역에 지속적인 기술개발과 투자를 통해 Khan Academy, Knewton, Dreambox 등의 빅데이터와 인공지능 기반의 강력한 개인화 학습 서비스들을 선보이고 있다.

1. 개인화된 학습의 정의

2004년 David Miliband(영국, Minister of State for School Standards)에 의해 2004년에 주창된 개인화된 학습(Personalized Learning)은 학생별로 각기 다른 학습 니즈를 채워주기 위한 교육방식과 이를 위한 총체적 학습 환경을 의미한다.

빅데이터 분석과 머신러닝, 인공지능 등의 기술은 인공지능을 기반으로 한 개인화된 학습의 실현을 기대 할 수 있으나 여전히 레거시에서 클라우드로의 전환, 데이터 상호운용에 대한 합의와 표준기술의 도입 지연 등의 이유로 다양한 형태의 개인화된 학습 서비스를 경험하기에는 축적의 시간이 더 필요할 것으로 판단된다.

다만, 교육 대기업과 스타트업을 중심으로 개인화된 학습 서비스를 제공하고 있는데, 아이스크림 홈런, 천재교육의 밀크티, 비상교육의 와이즈캠프, 메가스터디의 엘리하이 등 민간교육을 중심으로 인공지능을 기반으로 한 개인화된 학습환경들이 제공되고 있으며, 뤼이드 산타토익 등 인공지능 스타트업들도 영어/수학 과목을 중심으로 문항반응이론을 기반으로 한 인공지능 알고리즘을 활용해 맞춤형 서비스를 제공해 괄목할만한 성과를 보이고 있다.

2016년 당시에는 국내에는 한국교육학술정보원에서 연구과제의 일환으로 IMS Calipher를 활용한 프로토타입외에는 찾아보기 어려웠다.

그러나 해외 상황은 국내와 조금 다르다. 

아시아를 중심으로 언어, 지능형 튜터링 시스템(ITS, Intelligent Tutoring System)이 크게 발전하고 있는 반면, 유럽을 중심으로 한 국가에서는 교사를 지원하고, 학교 관리를 지원하는 인간을 중심으로 한 다양한 인공지능 기술들도 발전하고 있다.

HRD 영역에서는 기존 LMS는 축소되고 동영상과 모바일에 익숙한 세대의 변화를 고려한 LXP(Learning eXperience Platform)에 개인별 맞춤형 서비스들이 도입되고 있으며 Skillsoft의 Percipio/Elsa는 주목할만 하다.

HRD영역의 기술은 여러 표준기술 중 ADL의 Next Scorm으로 불리우는 xAPI로 통일되어가는 추세이고 이를 통해 상호 의미있는 데이터들이 상호운용할 수 있도록 기반이 갖추어져 있다.

2. 개인화의 기반인 학습 분석을 위한 표준

학습분석을 위해서 활용 가능한 데이터 유형은

• Learning Contents Data,학습 콘텐츠가 발생시키는 데이터
• Learning Activity Data, 학습 플랫폼을 통해 발생 시키는 데이터
• Operational Data, 교육기관에서 교육 프로그램 운영중에 발생하는 데이터
• Career Data, 학습자의 경력과 인맥에 대한 데이터
• Profile Data, 학습자 또는 교수자의 프로파일링 중에 발생하는데이터

총 5가지로 IMS Global은 구분해서 제시하고 있다.

이러한 데이터 유형은 다양한 맥락에서 발생이되는데, 이런 상황에서 학습데이타를 수집하고 분석할 수 있도록 합의한 표준 중 하나가 Tin-Can API와 IMS Caliper라고 할 수 있다. Tin-Can API를 간단하게 살펴보자.

The Tin Can API (Experience API or xAPI)는 SCORM 2004 를 승계한 표준으로, 오프라인/온라인, 이종의 서비스 플랫폼과 연계를 통한 학습자의 학습 경험데이터를 수집할 수 있도록 유연하게 설계되어 있다. SCORM(2004)를 채용했던 글로벌 전통적인 LMS사업자나 스타트업들도 IMS 표준과 함께 xAPI/CMI5 표준을 적용하고 있다.

다음으로, IMS CALIPER를 살펴보자. 1999년에 설립된 비영리 컨소시엄 IMS Global은 교육분야의 정보기술 관련 표준 개발과 제품 서비스 인증 등을 수행하고 있으며, 교육용 콘텐츠 패키징, 콘텐츠 카트리지, 문제 상호 운용, 학습도구 상호운용등의 표준을 주도적으로 개발하고 있다. IMS Global은 이러한 다양한 표준 개발을 통해 확보한 교육용 데이터 특성과 워크플로우에 대한 이해를 바탕으로 학습데이터 측정 프레임 워크 ‘IMS Caliper’를 공개했다.

3. 학습분석은 어떤 경험을 제공해줄 수 있을까?

유네스코 IITE(Institute of Information Technologies in Education)의 정책연구에 학습플랫폼 분석 대시보드(LMS Analytics Dashboard), 예측분석(Predictive Analysis), 적응형 학습(Adaptive Learning Analytics), 소셜네트워크 분석(Social Network Analysis), 담화분석(Discourse Analytics) 다섯가지 학습분석 기술을 활용한 서비스 예제가 소개되어 있다.

학습플랫폼 분석 대시보드(LMS Analytics Dashboard)는 학습자의 로그 데이터를 개인 사용자 또는 집단에게 이해하기 쉽게 시각화해서 제공하는 기능인데, 분석된 데이터를 사용자들이 쉽게 파악할 수 있도록 시각화해서 제공하고 있다. 예) 기업용분석/BI 기업들이 이 시장을 주도하고 있는데, 아리조나 주립대학의 경우 학습자 지원 서비스 student360 life service 를 운영하고 있는데 데이터 분석을 기반으로 서비스를 운영하고 있다 있다.

예측분석(Predictive Analysis)란 인구 통계적 수치나 과거 성취도 등과 같은 정적 데이터와 로그인 패턴, 온라인 토론 참여 정도 등과 같은 동적 데이터 등 학습자 통계 데이터의 패턴을 이용해서 사용자를 분석하는 방법을 말한다. 예측분석을 통해 위험단계에 근접한 학습자에게 경고 메시지를 전달하고 평균이나 우수 단계로 진입할 수 있도록 활동 방향을 안내 해줄 수 있다. 예측분석을 활용하면 학업중단(Drop-Out), 학사 경고에 근접한 학생들에게 알림을 전달 할 수 있다. 

적응적 학습(Adaptive Learning Analytics)은 특정한 주제에 대한 학습자의 이해 정도를 측정해서 세부적인 피드백을 제공하고 후속 조치로서 관련된 디지털 자원을 학습자에게 제공하는 모델이다.예) 카네기 멜론 대학의 연구를 기반으로 한 Open Learning Initiative Coirse, Grokit, Knewton이 있고 국내 K-12에서는 뤼이드 산타토익, KnowRe, 클래스팅의 러닝카드 등이 적응적 학습 서비스를 시도 하고 있다.

소셜네트워크 분석(Social Network Analytics)은 사람들이 어떻게 관계망을 형성하고 유지하는데 대한 이해를 돕기 위해 이용되며 주제어에 대한 빈도나 트랜드를 관계망과 연계해서 분석할 수 있다. SNAPP, NAT 등 소셜네트워크 분석을 기반으로 학습 커뮤니티(Learning Community), 온라인 튜터링(Online Tutoring), 개인학습네트워크(Personal Learning Network) 등의 소셜러닝 환경을 제공해줄 수 있어서 비정형적 학습에 유용하다.

담화분석(Discourse Analysis)이란 학습 플랫폼에 제공하는 로그인 횟수, 게시글 조회수, 메시지 등록 건수 등과 같은 정량적인 분석외에 교사들이 에세이나 토론 글에 어떻게 첨삭을 하는지, 쓰기와 말하기가 학습에 어떤 영향을 주는지 등을 분석하는 기술로서 구문분석(IBM Watson기반의 Tone Analyzer, Tone API), 패턴 인식, 음성인식 기술이 발전함에 따라 담화분석이 개인화된 새로운 학습경험을 견인 할 수 있을 것으로 기대된다.

■ 참고문헌 및 출처

• 위키피디아, "Personalized Learning". (https://en.wikipedia.org/).
• Unesco institute (2012) “Learning Analytics”,   IITE Policy Brief.
• Arizona State University News (2019.12.03.일자) “Options range from clinical counseling to legal assistance to advice on elder care, all with the goal of helping students succeed”, (https://news.asu.edu/20191203-sun-devil-life-360-life-services-offers-asu-online-students-full-circle-support).

• https://tincanapi.com/.
• http://imskorea.or.kr/.
• https://www.imskorea.or.kr/standard/2017/11/30/ims-kr-1013-1.html.