• 4차 산업혁명에서의 교육의 역할, 인공지능은 교육에 어떤 혁신을 가져올것인가? 최근 회자되는 이런 주제들을 머릿속에 담고 있다가 Pearson 공개 연구조사 자료-Intelligence Unleashed를 보면서 지능형 학습 시스템은 어떤 그림일까를 조금 더 구체적으로 상상해봤다.

• 모두들 공감하시겠지만, 인공지능 기술의 발달로 학습관리 시스템은 새로운 국면에 접어들었다.

• 대학은 중도탈락(Drop-Out)자들을 효과적으로 관리 할 수 있게 되었고, 학습자는 부족한 역량이 무엇인지 정확하게 식별할 수 있게 되었으며, 성취역량에 최적화된 콘텐츠를 추천 받을 수 있게 되었다.

• 이 모든 것을 가능하게 한 것은 바로 빅데이터 요소 기술과 클라우드 환경 그리고 머신러닝, 딥러닝, 예측분석 등과 같은 인공지능 기술 덕분이다.

• 지능형 맞춤 학습체제에서는 다양한 서비스 플랫폼에서 만들어지는 학습자의 성취도, 학습과정 상에서 기록되는 학습패턴, 선호도 정보, 학습자의 관심사들이 대규모의 데이터로 기록되고, 이를 인공 지능 기술을 활용해 학습자 개인별 수준을 도출한다. 식별된 수준과 처방은 실시간으로 학습 과정 상에 반영되어 보다 지능적으로 학습자에게 개인화(Personalize)와 적응적인(Adaptive) 학습을 제공 할 수 있게 해준다.

• 과거의 학습 시스템와 지능형 맞춤학습 시스템은 어떤 차이가 있을까? 중요하다고 판단되는 몇몇 요소를 한번 들여다보자.

  A. 교수학습 모형의 다양화

• 기승전결! 핵심은 교수학습 모형의 변화다. 전통적인 일방향의 강의방식은 더 이상 개인과 사회의 존속에 부적합한 가르침 방식이 되었다.

• 21세기 생존 역량개발을 위해 협력 학습, 혼합 학습, 액션러닝, 호기심 기반학습, 도전 기반학습과 같은 학습자 활동 위주의 구성주의적 교수학습 방법이 오랜 기다림끝에 빛을 보게 되었고, 인공지능 기술은 이러한 교육 혁신을 지원하기 위해 Adaptive group formation(적응적 조직구성), Expert facilitation(전문가 중재), Intelligent virtual agent(지능형 가상 에이전트/비서), Intelligent moderation(지능형 중재자)과 같은 역할을 하게 된다. 

  B. 학습경험 분석데이터의 다양화

• ‘다양한 학습 경험을 데이터의 형태로 얼마나 많이 확보하는가?’가 인공지능 기반의 학습 경험 품질을 좌우한다. 과거에는 추적할 수 없었던 생체정보, 학습과정에서 이력들에 대해 음성인식, 시선추적 등의 인공지능 기술과 IoT의 기반 기술인 센싱(Sensing) 기술을 활용해서 추적이 가능하게 되었다.

• 2015년 페이스북은 Summit Public School과 Personalized Learning Software 개발을 위해 파트너십을 맺고, Boltimore County Public School은 Dreambox, i-Ready와 같은 소프트웨어를 활용해 Adaptive Learning을 적용하고 있다.

• 런던 에듀테크 시티, 미국의 유타, 시카고 등은 기업과 교육구, 학교가 공동 참여하는 에듀테크 클러스트 운영하고 있다. 이를 통해 사업자들에게는 수요자의 학습경험을 관찰하고 시스템에 반영하여 보다 지능적인 서비스를 개발할 수 있다.

• 알트스쿨이나 칸아카데미의 칸랩, 미네르바 스쿨은 교수자/학습자의 다양한 학습경험을 이해하고, 실험하기 위한 목적으로(물론 혁신적인 교육의 목적이지 실험의 목적은 아니다) 특수목적 학교를 설립했다.

• 지난 KERIS 포럼에서 NEIS가 데이터 개방을 계획하고 있다고 발표했다. 우리도 이제 더이상 서로를 배척하거나, 외면하지 말고, 기업과 공공, 그리고 학교가 밀접하게 협력해서 교육의 혁신을 전방위적으로 만들어 가야할 때다.

  C. Learning Record Store(LRS)

• 과거 학습이력은 대부분 독립적으로 운용되는 학습관리시스템(Learning Management System,LMS) 내에 존재했다.

• 최근 몇년간 이슈가 된 센싱 기술, 인공지능, 빅데이터, 네트워킹 기술 등의 개발은 다양한 학습 환경에서 만들어진 학습자의 빅데이터를 수집/ 분석할 수 있게 했다.

• 외부 학습이력데이터를 상호 운용하는 표준 프로토콜은 IMS Caliper와 xAPI(Experience API)가 있는데 xAPI의 필수기능인 Learning Record Store는 학습경험, 성과, 업무 역량수준을 통합 수집/저장/관리하는 Tin Can 생태계의 중심이다.

  D. xAPI(Tin Can, experience API) / IMS Caliper

• xAPI 는 학습자에 관한 기록을 플랫폼 간에 간단하고 경량으로 저장/ 공유 방법이다. 이 기록은 일관된 포맷으로 저장되고 LRS에 통합된다.

• xAPI에서 x는 ‘experience’를 의미하는데, 전통적인 이러닝 표준인 AICC나 SCORM에 한정되지 않는다. xAPI의 궁극적인 목표는 학습자 개개인의 모든 학습경험을 이해하고 성과와 연관성을 분석하는데 있다.

• xAPI 추적 및 분석대상:

      -교실활동

      -성과지원 도구 사용행태

      -온라인 커뮤니티 참여

      -토론 참여

      -성과측정

      -실질적인 결과물 등

• xAPI(Tin Can API)의 추적 영역:

      -모바일 러닝

      -교육용 게임

      -시뮬레이션

      -비정형학습

      -실세계의 성과 등

• xAPI(Tin Can API) 운영 범위:

     -오프라인, 간헐적으로 연결이 끊기는 환경에서도 추적 가능

     -모든 디바이스에서 추적가능 등

• IMS Global의 다양한 연구를 기반으로 규정한 IMS Caliper는 다음과 같은 세 가지 개념적 근간으로 설계된 것이다.

1. IMS 학습 데이터 매트릭스 프로파일: 

• 학습 활동에 초점을 맞춘 데이터 매트릭스. 학습 플랫폼에서 교과과정을 기반으로 한 학습 활동 데이터, 학습용 소프트웨어 이용 내역 및 파생 데이터 등 다양한 학습 활동 중에 발생하는 데이터에 대한 유형화 목록

2. IMS 학습 센서 API (Learning Sensor API) 및 학습 이벤트 (Learning Events): 

• 표준화된 계측(instrumentation)이나 측정(metric)을 위해 데이터를 수집하고 정렬하는 과정. 수집 대상 데이터는 학습 플랫폼이나 학습용 도구에서 발생되며 마치 센서 같은 API가 발생한 데이터를 축적하는 분석관련 솔루션에 전달

3. IMS LTI/LIS/QTI 레버리지와 확장: 

• 학습도구 상호운용성(LTI), 학습자 정보 모델(LIS), 문제 및 시험 상호운용성 표준(QTI) 등 기존 온라인 교육 환경에서 활용되는 표준을 학습 분석 서비스 환경으로 활용 범위를 넓히고 필요에 따라 관련 표준을 확장

  E. 학습분석(Learning Analytics)의 고도화

• 학습분석이라는 개념은 빅데이터를 토대로 형성된 것이라 할 수 있다. 다양한 소스로부터 데이터를 수집, 가공, 분석해서 문제를 예측 또는 해결방법을 제시하는 절차나 목적이 유사하기 때문이다.

• 학습 분석을 위해 활용 가능한 데이터 유형은 크게 다섯 개의 그룹으로 분류할 수 있다. 기존에는 분석이 어려웠던 학습활동분석(Learning Activity Data)들도 기술의 발달과 함께 분석이 가능해졌다.

• UNESCO의 보고서에서 학습 분석에서 영향을 줄, 주목할 만한 기술 다섯개를 선정했다.

      -학습 플랫폼 분석 대시보드(LMS/VLE Analytics Dashboard)

      -예측 분석(Predictive Analytics)

      -적응형 학습 분석(Adaptive Learning Analytics)

      -소셜네트워크 분석(Social Network Analytics)

      -담화 분석(Discourse Analytics)

  F. 적응적 학습 서비스

• 적응적(Adaptive)이라는 단어는 차별화된(Differentiated), 개인화된(Personalized), 개인적인(Individualized)이라는 단어와 같은 의미로 사용된다.

• 적응적 학습(Adaptive Learning)은 알고리즘(Algirithms), 예측 분석(Predictive Analytics) 의미가 결합되어 사용하며, 교육 기술의 적응적 학습도구는 실시간 데이터 수집, 자동 응답, 학습자의 선택을 기반으로 한 개인화된 학습 서비스다.

□ 시사점

• 이상 지능형 맞춤학습체제에 대해 중요다고 생각한 6가지 요소에 대해서 간단하게 살펴봤다.

• 내년에는 사이버 학습 통합 사업과 디지털 교과서 고도화 사업을 추진할 계획이라고한다. 사이버학습 서비스 통합사업에 이미 17개 시도교육청 외에도 많은 사람들이 기대반 우려반 하고 있다. 과거 사이버가정학습처럼 혼자서 공부하고, 배정된 담당 선생님이 관리하는 방식이 아니라, 다양한 교수학습모형 적용을 지원하고 학습자들의 데이터를 기반으로 효과적인 교수활동을 할 수 있는 교수학습지원도구로서의 역할이 설계에 잘 반영되길 바라고, 통합과 집중 뿐만 아니라, 민간 에듀테크 기업들과의 협력을 통해 기본과 본질에 집중하고 상생 할 수 있는 개방형으로 설계되길 바란다.

• 이러한 관점에서 다양한 학습경험을 수집하고 분석하기 위한 기반 기술인 xAPI(LRS)/IMS Caliper, LTI(Learning Tool Interoperabiity)는 주목해야할 기술이라고 감히 예측해본다.

■ 참고문헌 및 출처

• 조용상 (2014) "학습분석 기술 활용 가능성 및 전망", 한국교육학술정보원.

• Intelligent Unleashed 연구보고서.

• https://tincanapi.com/ecosystem/.