2020년 부터 약 2년 간 여러 대학원과 학부 특강에서 활용한 슬라이드이며, 의미있는 질문과 토론을 거치면서 몇몇 슬라이드들을 수정하고 추가하였다.
먼저 골딘 교수의 '교육과 기술의 경주'라는 책에서 시작된 흥미로운 논점을 시작으로 디지털 전환이라는 큰 흐름 속에서 우리가 직면한 교육 문제들을 짚어 보았다. 논의한 교육 문제들을 해결하기 위한 수단으로써 에듀테크의 가능성을 제시하고, 특히 맞춤형 학습을 완성하기 반드시 선결되어야 할 세 가지 핵심 요소를 설명한다.
분석 기술, 커리큘럼 기술, 학습 자원이라는 측면에서 인공지능과 메타버스의 활용 가능성도 설명한다. 끝으로 맞춤형 학습이라는 반복적인 흐름을 설명하기 위해 실제 상용화 된 서비스를 유즈케이스로 소개한다.
Proof of Concept for Learning Analytics Interoperability
디지털 전환이 가져올 교육의 변화와 인공지능의 역할 (2021년 마지막 업데이트)
1. 디지털 전환이 가져올 교육의 변화와 인공지능의 역할
(2021년 마지막 업데이트)
조 용 상
zzosang@i-screamedu.co.kr
FB: /zzosang Twitter: @zzosang
CEO, Ph.D
2. 디지털 전환과 우리가 직면한 문제
Digital Transformation and Education Issues
2
3. 3
<출처: OECD library, https://www.oecd-ilibrary.org/sites/00f05eac-en/index.html?itemId=/content/component/00f05eac-en>
기술과 교육의 경주
4. 4
Digitalization
(산업과 조직의 변화)
Digitization
(정보의 변화)
Digital transformation
(사회적 변화)
<출처: https://en.wikipedia.org/wiki/Digital_transformation>
• Digitization은 '아날로그 정보를 디지털 형식으로 변환’하는
'기술적 프로세스’ (예, 0과 1로 표현되는 이진 형식)
• Digitalization은 산업, 조직, 시장에서 기술에 기반한 '조직 프로세스’또는
'비즈니스 프로세스'의 변화
• 혁신적인 기술 예시: Internet of Things, Industry 4.0, machine to machine
communication, artificial intelligence and big data, etc.
• Digital transformation은 ‘Digitalization의 총제적이고 전반적인 사회적 영향’
으로 설명
• Digitization은 Digitalization이 이루어질 수 있도록 근간이 되었으며, 그 결과
기존 비즈니스 모델, 소비 패턴, 사회 경제적 구조, 법률 및 정책, 조직 패턴,
문화 장벽 등을 변화시키는 기회가 생김
디지털 전환으로 이어지는 디지털 혁명 과정
5. 5
문제#1. 학습 경험의 충돌
Digitalization
(산업과 조직의 변화)
Digitization
(정보의 변화)
Digital transformation
(사회적 변화)
교육과정 기반의 교실 수업
AI 비서 또는 AI 튜터 (high touch)
콘텐츠 플랫폼에서 제공하는 개인별 맞춤 학습 서비스
코딩, AI 교육 등 비교과 활동에서 제공하는 혁신적인 디지털 환경
민간 영역에서 제공하는 에듀테크 기반의 영어, 수학 서비스
빅데이터와 학습 분석을 활용한 개인별 맞춤 튜터링
6. Tyton Partners
“Anyone who has ever been in a classroom where as a student or instructor
knows that not all students procced at the same pace.”
7. #1. One size does not fit all
Tyton Partners
“Anyone who has ever been in a classroom where as a student or instructor
knows that not all students procced at the same pace.”
문제#2. 획일화된 교육
8. 8
문제#3. 물리적 환경에 존재하는 “철의 삼각형”
Quality
Cost Access
교육의 질
교육 예산 교육 기회
9. 9
Hard Skills Soft Skills
(interpersonal skills or people skills)
#학위 #자격증 #프로그래밍
#유창함 #조작능력 등 (인증서)
문제 #4. 균형 잡힌 교육 준비 부족
#커뮤니케이션 #유연성 #리더십
#팀워크 #시간관리 #공감능력 등
11. 11
<출처: TTA 저널, https://www.tta.or.kr/data/androReport/ttaJnal/191-1-3-4.pdf>
01
2005 2010 2015 2020 2025
• 교육 자원 메타데이터
(Educational Resource Metadata)
• 교육 자원 접근성 기술
(Accessibility for Resources)
콘텐츠/자원 → 서비스 → 지능화
• 모바일 환경에서 학습자 프로파일
(User Profile related to Mobile)
• 빅데이터를 활용한 학습 분석
(Learning Analytics using Big Data)
• 학습 도구 상호운용성
(Learning Tools Interoperability
toward the ecosystem)
• 실감형 콘텐츠
(Immersive Content)
• 디지털 인증
(Digital Credential)
• 맞춤형 학습 서비스
(Personalized Learning Service
a.k.a Adaptive Learning)
• AI를 활용한 지능형 서비스
(Intelligence Service using AI)
• 초개인화
(Hyper-personalization)
에듀테크 발전 과정
12. 12
맞춤형 학습을 제공하기 위해서는 1) 개별 학습자의 약점을 진단하고 구체적인 처방을 제시할 수 있어야 하며,
2) 효과적인 학습 계획(경로)를 설계하기 위해 학습 성과를 예측할 수 있어야 하고,
3) 풍부한 학습자원 속에서 흥미롭고 재미 요소가 가미된 개인화된 학습 자원을 추천 할 수 있어야 한다.
학습 자원
커리큘럼
분석 기술
맞춤형 학습(adaptive learning)의 활용 가능성
”
“
선호와 필요에 따른 다양성,
재미와 흥미 등
학습 효율성, 감성
피드백과 추천 등
개인화된 학습 계획과 경로,
지식맵(지식 공간) 등
15. 15
(서비스 관점에서 본) 인공지능의 활용 가능성
교사, 학생, 학부모 외에 많은 교육 이해관계
자들 간 반복적인 작업과 대화를 자동화
예) 알림장, 학습현황 알림, RPA 등
학습 성과(결과)에 대한 예측 능력, 중도 포기율에 대한
예측 능력, 학습 자원의 가용성 예측
능력 등 예측의 범위와 정확도를 향상
예) 학습 성과 예측, 정오답 예측, 중도 포기율 예측 등
인적 오류(human errors)를 최소화
하여 향상된 데이터 중심의 의사 결정 기능
학습자의 수준, 성향, 개성에 맞춘 1:1 개인 학습
계획(경로)와 학습 자원을 제공하여 학습 효율성 향상
사용자와 기계 또는 AI 에이전트가 NUI/NUX를
통해 감정을 처리하는 인터페이스 (감성 AI)
개인화
AI 비서
AI 튜터
지능화된
의사결정
예측 능력
일상적인
업무의
자동화
16. AI 비서
(speaker)
AI 튜터
“수동적인 실행 모드”
“학습자 행동에 의한 능동적인 실행”
(디지털 동반자 / 친구)
16
o 다양한 콘텐츠 추천과 상호작용에 활용
o 교수학습모델, 대화 시나리오, 학습 콘텐츠가 가장 중요한 이슈
o 대화 분석, 학습 분석과 맥락 반영이 핵심 가치가 될 것으로 예상
AI 비서 vs AI 튜터, 인공지능 서비스의 대표적 인터페이스
o 오디오 콘텐츠 (날씨, 뉴스, 음악 등) 실행, IoT 기기 컨트롤
o 음성 인식과 인텐트 파악이 가장 중요한 이슈
o 음성 분석의 반영이 핵심 가치가 될 것으로 예상
음성으로 조작하는 편리성을 강조
o 기동 명령어의 의해서 깨어나고 음성 명령어 수행 o 음성 명령의 기능적인 가치를 학습과 튜터링에 활용
학습과 튜터링에서 교육적 가치와 효율성을 강조
18. 18
(참고) AI 튜터가 바라보는 멀티모달 데이터 네트워크와 인공지능 학습용 샌드박스
§ AI 튜터가 멀티모달 데이터를 활용할 수 있도록 고도화된 데이터 샌드박스에서 훈련할 수 있는 시스템
§ 학습 행동과 패턴을 국제표준(IMS Caliper) 기반의 이벤트 형식으로 수집하여 데이터 네트워크 샌드박스에 축적
§ 정서 데이터는 8가지 진단검사를 기록하는 진단 e포트폴리오 형태로 기록하며 데이터 네트워크 샌드박스에 축적
§ 음성 데이터는 AI 튜터와 학습자 간 대화 내용을 음성 파일과 텍스트로 전사한 파일을 한 벌로 묶음으로 샌드박스에 축적
§ 비전 데이터는 시선 추적, 안면 방향 인식, 동공 인식 등 개인을 식별할 필요 없는 데이터 중심으로 우선 활용
<출처: 비대면 학습 및 산업현장 지원을 위한 감성 인지.교감 SI 서비스 기술 개발 제안 발표자료, 아이스크림에듀 (2020)>
20. 20
개인화된 커리큘럼 예: 수준에 맞는 진도와 학습량 조절. “진단-예측-추천”
튜터가 개별 학습자의 학습 스케줄을 AI 추천 모델을 반영하여
자동으로 조정하는 인터페이스 (아이스크림 홈런 예시)
학습자의 수준과 성향에 따라 설계되는 개인별 학습 계획(상)과
AI가 추천하는 콘텐츠 큐레이션(하) (아이스크림 홈런 예시)
21. 21
AI를 활용한 개인화된 커리큘럼 설계 요소 기술. “예측 모델 설계 방법”
<출처: 인공지능 데이터 구축.활용 가이드라인 – 수학 분야 학습자 역량 측정, 아이스크림에듀>
22. 22
<출처: 인공지능 데이터 구축.활용 가이드라인 – 수학 분야 학습자 역량 측정, 아이스크림에듀>
AI를 활용한 개인화된 커리큘럼 설계 요소 기술. “예측 모델 설계 방법”
23. 23
<출처: 인공지능 데이터 구축.활용 가이드라인 – 수학 분야 학습자 역량 측정, 아이스크림에듀>
AI를 활용한 개인화된 커리큘럼 설계 요소 기술. “예측 모델 설계 방법”
24. 24
<개별 학습자의 수학의 개념별 정오답 예측 확률>
<강화학습 모델을 활용해서 다음 문제를 결정하는 모델 (예시)>
<출처: 인공지능 데이터 구축.활용 가이드라인 – 수학 분야 학습자 역량 측정, 아이스크림에듀>
AI를 활용한 개인화된 커리큘럼 설계 요소 기술. “예측 모델 설계 방법”
i.e., Deep Knowledge Tracing (2015),
Transformer (2020),
Deep Diagnosis Knowledge Tracing (2021),
…
27. 27
Metaverse
가상과 초월을 의미하는 그리스어 Meta와
세계를 뜻하는 Universe의 합성어.
현실 세계와 가상 세계가 상호작용하며 함께
진화하는 생태계를 의미.
가상 세계 안에서 사회, 경제, 문화 활동이
이루어지면서 가치를 창출하는 것이 특징
< Source: FORTNITE BTS DYNAMITE PARTY ROYALE LIVE CONCERT EVENT >
34. 학습 이벤트 데이터를 기반으로 한 맞춤형 학습 사례
조정된 학습 활동
(개인화된 학습 경로)
AI 생활기록부
(학생, 학부모, 교사 별로 다른 형식의 리포트)
추론
(문제점 및 취약점 진단)
피드백과 추천
(성찰의 기회)
학습 분석
데이터 분석
(학습 맥락을 그대로 기록)
기본 학습 활동
(사전에 계획된 학습 자원과 평가문항)
34
35. 기본 학습 활동
(사전에 계획된 학습자원과 평가문항)
조정된 학습 활동
(개인화된 학습 경로)
AI 생활기록부
(학생, 학부모, 교사 별로 다른 형식의 리포트)
추론
(문제점 및 취약점 진단)
피드백과 추천
(성찰의 기회)
학습 분석
데이터 분석
(학습 맥락을 그대로 기록)
학습 이벤트 데이터를 기반으로 한 맞춤형 학습 사례
35
• 학습 시간
• 학습 계획
• 시험 / 평가 문항
• 평가점수 (정오답)
• 미디어 소비 (습관)
• 서비스 이용 순서
• 시청한 콘텐츠
• 이용한 학습 도구 (교육용 게임 등)
• 선생님과 대화 내용
• 학습 검색어
• 학습 보상 획득 등 15종 이상의 맥락
IMS Caliper Analytics
적용한 국제 표준
안녕? 반가워.
<AI 고도화를 위한 맥락 수집 데이터>
36. 학습 분석
데이터 분석
(학습 맥락을 그대로 기록)
조정된 학습 활동
(개인화된 학습 경로)
AI 생활기록부
(학생, 학부모, 교사 별로 다른 형식의 리포트)
추론
(문제점 및 취약점 진단)
피드백과 추천
(성찰의 기회)
기본 학습 활동
(사전에 계획된 학습 자원과 평가문항)
학습 이벤트 데이터를 기반으로 한 맞춤형 학습 사례
Data Lake
(cleaning context)
Data Mart
(making data sets)
Data Capture
(IMS Caliper)
데이터 처리 규모: 1일 1천 6백만 건 이상의 학습 맥락 처리 (DB 트랜잭션 제외)
36
정진기금 (2014-2016, TTA)
“교육용 콘텐츠 및 비정형 데이터를
활용한 학습 분석 기술 참조 모델
표준 개발”
✏ 참고
37. 37
학습 분석
추론
(문제점 및 취약점 진단)
학습 이벤트 데이터를 기반으로 한 맞춤형 학습 사례
조정된 학습 활동
(개인화된 학습 경로)
AI 생활기록부
(학생, 학부모, 교사 별로 다른 형식의 리포트)
피드백과 추천
(성찰의 기회)
데이터 분석
(학습 맥락을 그대로 기록)
기본 학습 활동
(사전에 계획된 학습 자원과 평가문항)
<성취수준 데이터 (정오답) 전처리 과정> <AI가 정오답 예측을 위해 학습하는 과정> <콘텐츠 소비 패턴을 벡터 공간에 표현>
38. 학습 분석
피드백과 추천
(성찰의 기회)
조정된 학습 활동
(개인화된 학습 경로)
AI 생활기록부
(학생, 학부모, 교사 별로 다른 형식의 리포트)
추론
(문제점 및 취약점 진단)
데이터 분석
(학습 맥락을 그대로 기록)
기본 학습 활동
(사전에 계획된 학습 자원과 평가문항)
학습 이벤트 데이터를 기반으로 한 맞춤형 학습 사례
38
39. 학습 분석
피드백과 추천
(성찰의 기회)
조정된 학습 활동
(개인화된 학습 경로)
AI 생활기록부
(학생, 학부모, 교사 별로 다른 형식의 리포트)
추론
(문제점 및 취약점 진단)
데이터 분석
(학습 맥락을 그대로 기록)
기본 학습 활동
(사전에 계획된 학습 자원과 평가문항)
학습 이벤트 데이터를 기반으로 한 맞춤형 학습 사례
39
능동적으로 개입하는 AI 튜터
차세대 실감 콘텐츠 개발 지원 사업
(2019-2020, RAPA)
“학습 이벤트 기반의 ……
대화형 학습 튜터(가정교사) 시스템 및
실감형 콘텐츠 개발”
<인공지능 분야 과학기술정보통신부 장관상>
40. 40
연산의 개념은 이해하지만 연산 스킬이 부족한 경우
아케이드 게임, 카드 뒤집기 게임, 제한된 시간동안 문제를 푸는 도전 모드 등 다양한 형식의 게임을
통해 연산 스킬을 향상시킬 수 있도록 심화/보충 학습 자원을 제공
조정된 학습 활동
(개인화된 학습 경로)
심화/보충 사례: 연산 게임을 활용한 연산 스킬 향상
✏ 참고
AI 생활기록부
(학생, 학부모, 교사 별로 다른 형식의 리포트)
추론
(문제점 및 취약점 진단)
피드백과 추천
(성찰의 기회)
학습 분석
데이터 분석
(학습 맥락을 그대로 기록)
기본 학습 활동
(사전에 계획된 학습 자원과 평가문항)
41. 41
스토리텔링 기반 커리큘럼에 자유형 대화 처리
기술을 적용하여 맞춤형 언어 교육 가능
학습 난이도 별 학습 환경과 자유 대화 상황을
혼합하여 각 상황에 대한 몰입도를 높이고 반복
학습을 통해 성취도 제고
인공지능을 활용한 영어 음성인식 기술과 주제별 대화 기술을 통해
어휘 학습, 말하기 학습, 문장의 구조(문법) 학습 등을 심화/보충
심화/보충 사례: AI를 이용한 영어 어휘와 주제 대화
조정된 학습 활동
(개인화된 학습 경로)
AI 생활기록부
(학생, 학부모, 교사 별로 다른 형식의 리포트)
추론
(문제점 및 취약점 진단)
피드백과 추천
(성찰의 기회)
학습 분석
데이터 분석
(학습 맥락을 그대로 기록)
기본 학습 활동
(사전에 계획된 학습 자원과 평가문항)
5G 콘텐츠 플래그십 프로젝트 (2020, RAPA)
“학습자 수준별 맞춤형 비대면 AI 영어 학습 콘텐츠/서비스 ”
42. 42
AI 생활기록부
(학생, 학부모, 교사 별로 다른 형식의 리포트)
조정된 학습 활동
(개인화된 학습 경로)
추론
(문제점 및 취약점 진단)
피드백과 추천
(성찰의 기회)
학습 분석
데이터 분석
(학습 맥락을 그대로 기록)
기본 학습 활동
(사전에 계획된 학습 자원과 평가문항)
학습 이벤트 데이터를 기반으로 한 맞춤형 학습 사례