개인 맞춤형 학습을 위한 AI 학습시스템의 발전
글 싣는 순서
1. AI는 교육과 학습 환경도 변화시킬까?
2. 개인 맞춤형 학습을 위한 AI 학습시스템의 발전 과정
3. 교육 환경과 학습자를 이해하기 위한 다양한 학습분석 방법
4. 생성형 AI의 부상과 맞춤형 학습시스템
5. AI 맞춤형 학습시스템을 이용한 기업 교육과 평생 교육
컴퓨터를 교육과 학습에 활용하려 는 시도는 컴퓨터 보조 교육(CAI: Computer-Assisted Instruction)이라는 이름으로 1950년대부터 시작되었다. 초기 CAI 프로그램들은 컴퓨터를 이용해 학습 콘텐츠를 단계별로 제시하는 수준이었으나 1960년대에 이르면서 학습자의 반응에 따라 학습 순서를 조정하는 분기 프로그램(branching programs) 방식으로 진화한다.
당시 CAI의 주된 역할은 학습자의 반응에 따라 학습 순서를 조정하고, 문제 풀이 결과에 대해 즉각 적인 피드백을 주는 것이었다. 1980년대로 접어들면 여러 의미 있는 사건들이 발생한다. 우선 개인용 컴퓨터 (PC)가 본격적으로 보급되기 시작했고, AI 기술이 두 번째 전성기를 맞이한다.
한편, 미국의 교육심리학자 벤자민 블룸 (Benjamin S. Bloom)은 1984년에 ‘2 시그마 효과’라는 유명한 연구 결과를 발표한다. 연구의 요지는 일대일 교육 방식으로 학습한 학생들의 학업 성취도 평균 은 전통적인 강의식 수업을 받은 학생들 의 성취도 평균보다 2 표준편차만큼 뛰어나다는 주장이었다.
일대일 교육에서 는 교사가 학생 개인에 맞춰 학습을 진 행할 수 있으므로 어떻게 보면 당연한 결과인데, 문제는 아무리 교육 효과가 좋아도 현실에서 이런 개인 맞춤형 교육을 실행하기 어렵다는 점이다. 이 시 기에 PC, AI와 같은 새로운 기술의 부 상과 개인 맞춤형 학습에 대한 요구가 만나 지능형 튜터링 시스템(Intelligent Tutoring System, 이하 ITS)이라는 개념 이 등장했다. ITS는 인간 교사의 개입 없이도 학습자에게 즉각적이고, 학습자 개별적으로 맞춤화된 교육과 피드백을 제공하는 컴퓨터 시스템을 지향했다.
그런데 ‘개인 맞춤형’이라는 표현은 듣기 에는 이상적이지만 실행의 관점에서는 다소 막연하다. 학습을 위해 개인의 무엇에 맞춰야 하는지에 대한 원칙이나 기준이 확립되어 있지 않기 때문이다. 예를 들어 학습자의 성격, 흥미, 목표 등에 맞게 학습 내용을 구성할 수도 있고, 학습자의 현재 지식 상태와 수준에 따라 학습의 난이도를 조절할 수도 있다. 이런 것들은 모두 개인 맞춤형 학습이라고 정의할 수 있지만, 여전히 ‘무엇에 맞출 것인가?’라는 질문은 해결되지 않는다.
이러한 질문에 힌트를 제공한 것이 1980 년대의 주류 AI 기술이었던 전문가 시스템(Expert System)이었다. 전문가 시스템 은 특정 도메인 지식이 컴퓨터 프로그램에 의해 처리될 수 있다는 사고에 기반을 두고 있는데 컴퓨터 프로그래밍으로 지식을 추론하기 위해서는 지식이 잘 구 조화되어 있어야 한다. 초기의 ITS는 지 식 체계가 잘 구조화된 수학, 과학 과목에서 학습자의 현재 지식 상태를 파악하면 그에 따라 적절한 맞춤형 학습 경로를 제공할 수 있을 것으로 생각했다.
이런 시스템을 개발하려면 2가지 핵심 정보가 필요한데 하나는 학생의 현재 지 식 상태이고 다른 하나는 지식 상태가 측정된 이후 제시하는 맞춤형 학습 경로 다. 학습자의 현재 지식 상태는 특정한 개념과 연결된 문제 풀이 결과 데이터로 간접적으로 측정할 수 있다. 어려운 것 은 문제를 맞히거나 틀리고 난 후, 제시할 학습 경로다. 문제를 틀린 경우는 쉽다. 대부분 해당 문제를 풀 수 있는 선수 지식이 부족하다고 가정하고 이전 단계에서 배워야 할 내용을 복습시킨다.
그렇다면 문제를 맞히면 어떻게 할까? 초 기 ITS는 특정 과목에서 배워야 할 모든 개념을 일정한 규칙으로 연결시켰다. A를 알아야 B를 배울 수 있고, B를 알아 야 C를 배울 수 있다는 식이다(A → B → C). 예를 들어 B문제를 틀렸다면 A를 복습하고, B문제를 풀었다면 C를 학습하게 하는 것이다. 이렇게 해당 분야 전문가들이 특정 과목의 학습 개념들을 미 리 체계적으로 연결시키는 방식은 학습해야 할 개념의 숫자가 많으면 매우 복 잡한 연결 작업이 되며, 전문가라고 해 도 주관적일 수 있고, 하나의 과목에서 만들어 둔 개념 간의 연결 관계를 다른 과목에 적용할 수 없다는 단점이 있었지 만 여전히 많이 사용되는 방식이다.
2000년대에 들어서면서 인터넷과 모바 일로 상징되는 새로운 시대가 열렸고 대 량의 데이터를 손쉽게 수집하고 분석할 수 있게 되었다. 이러한 환경 변화는 세 번째 AI 기술의 전성기를 불러왔고, 맞춤형 학습시스템 또한 새로운 AI 기술과 궤를 같이하며 발전해 왔다. 현재의 AI 기술은 막대한 데이터로부터 추출할 수 있는 패턴 학습을 기반으로 하는데, 맞춤형 학습시스템도 학습자들이 온라인 학습 플랫폼에서 학습 콘텐츠와 상호작용한 데이터를 수집하고 분석한다.
학습 시스템 접속 기록, 학습 동영상 시청 시 간, 문제 풀이 시간 등 다양한 데이터를 활용하지만 가장 중요한 것은 역시 문제 풀이 결과 데이터다. 학습자들이 여러 문제를 풀어가는 과정을 일종의 시계열 데이터로 보고, 학습 순서에 따라 학습 자의 지식 상태가 어떻게 변해가는지 추적하는 기술을 활용해서 전체 지식 체계에서 현재 학습자가 어떤 부분이 취약한 지, 다음에 어떤 개념을 학습하는 것이 학습 목표 달성에 유리한지 예측한다.
최근까지 맞춤형 AI 학습시스템은 비약 적으로 발전했지만 엄밀한 의미에서 완전한 개인 맞춤형 학습에 도달하지는 못했다. 우선 학습자의 지식 상태에만 초 점을 맞춰 개발됐고, 정서, 동기와 같은 환경적 변수들은 고려하지 않았다. 또 한, 현재의 맞춤형 학습 모델은 구조화된 지식체계에서만 잘 작동하기 때문에, 인문, 사회, 예술 계열 지식에는 적용하기 쉽지 않다는 약점이 있다.
그런 와중에 생성형 AI 기술은 맞춤형 학습시스템 개발에 새로운 패러다임 전환을 예고하고 있다. 생성형 AI의 특징 중 하나인 환 각 문제 때문에 학습 콘텐츠로 직접 활 용하기 어려운 문제가 있지만 학습자와 AI 튜터 사이에 새로운 커뮤니케이션 도 구를 제공함으로써 문제 풀이 데이터에 의존적인 현재의 방식에 큰 변화를 줄 것으로 기대하고 있다
<최재원, 월간 HRD 2024년 7월호 AI Based Learning System Series_2>
