학습분석 스터디 01 _ 학습 분석이란 무엇일까?
edX _ Learning Analytics Fundamentals
edX의 Learning Analytics Fundamentals 강의 내용을 정리한 포스팅입니다.
Photo by Patrick Tomasso on Unsplash
학습분석(Learning Analytics)이란?
데이터가 가치를 만드는 시대입니다. 데이터 양과 질의 증대로 배움, 교육 분야도 데이터 분석을 접목할 가능성이 열렸습니다. 배움, 교육에 데이터 분석을 접목한 분야, 학문을 학습분석(Learning Analytcis)라고 하는데요. 학습분석은 배움, 교육 데이터를 수집, 분석하여 학습(Learning)과 환경(Learning Environment)에 관한 정보를 학습자(Learner)와 교육자(Educator)에게 전달합니다.
학습 분석은 2008-2009년 개인화 학습(Personalized Learning), 적응형 학습(Adaptive Learning)의 등장으로 수많은 투자자, 스타트업의 주목을 받았습니다. 그 붐은 2016년이 지나고 거품이 많이 꺼졌지만, 모든 학습자에게 맞춤형 학습을 제공할 수 있다는 점에서, 그 열기는 여전히 꺼지지 않았습니다.
2008년에 관심을 받기 시작했지만, 사실 학습 분석이 새로운 아이디어는 아니었습니다. 1968년 Keller Plan이 이미 숙달, 맞춤형 학습에 관한 논문을 발표했기 때문인데요. Keller의 방법론은 오늘날 카네기 멜론 대학에서는 적응형 코스로, Knewton 혹은 Smart Sparrow에서는 맞춤형 학습으로 이미 구현되었다고 하네요.
학습 분석과 유사한 분야들
edx _ Learning Analytics Fundamentals Week 1학습분석과 유사한 분야로 “교육 관리 분석"(Academy Analytics), “교육 데이터 마이닝"(Educational Data Mining)이 있습니다.
교육 관리 분석은 BI(Business Inteligence) - 데이터를 수집, 정리, 분석하여 효율적 의사결정을 하도록 돕는 학문, 활동 - 을 교육기관에 적용한 학문, 활동을 의미합니다. 학습 자체의 개선보다는 기관 시스템의 개선에 더 관심을 갖습니다. 교육 비영리단체 에듀코즈는 2001, 2002년부터 교육 관리 분석에 관심을 갖고 관련 내용을 발행했습니다.
교육 데이터 마이닝은 학습 분석과 매우 유사한 학문, 분야로, 그 커뮤니티는 학습 분석 커뮤니티보다 몇 년 앞서 운영되고 있습니다. 지난 몇 년 동안 교육 데이터 마이닝 커뮤니티의 주 목표는 학습 분석과의 관계를 분석하는 것일 만큼, 교육 데이터 마이닝과 학습 분석은 많은 지점에서 유사점을 지닙니다.
학습 분석은 교육 관리 분석과 달리 학습 활동, 내용에 관심을 갖습니다. 그래서 어떤 요인, 환경이 학습에 영향을 끼치는 지, 학습은 어떻게 개선해야 하는지 연구합니다.
학습 분석에 활용되는 기술들
학습 분석에 사용되는 기술은 Prediction, Clustering, Relationship Mining 세 개로 나눌 수 있습니다. 학습자가 앞으로 제대로 배울 수 있는지 혹은 다른 도움이 필요한지 예측하고(Prediction), 학습 데이터를 패턴, 관계를 중심으로 묶어 내고(Clustering), 학습자-학습자 그리고 학습자-교육자가 어떻게 서로 관계를 형성하고 영향을 끼치는지 파악합니다.(Relationship Mining, SNA)
위 기술을 활용할 때, 기계가 할 수 있는 일과 사람이 할 수 있는 일을 명확히 구분할 수 있어야 합니다. (Distillation of data for human judgement) 그 이유는 기계와 사람이 각자 할 수 있는 일이 다르기 때문입니다. 또한, 앞서 언급한 분석 모델(알고리즘)을 상황에 맞게 발견하고 튜닝하는 작업도 필요합니다.(Discovery with models)
학습 분석의 한계
학습 분석이 마주한 장벽, 한계도 존재합니다. 우선 교육계의 데이터 기반(data_driven) 의사결정 문화 부재를 들 수 있습니다. 교육 생태계 전반 - 중등교육, 고등교육을 포함한 - 은 아직 데이터를 활용하여 중요 사안을 결정하지 않습니다. 그래서 학습 분석의 결과를 학습, 환경 개선에 활용하기 어렵습니다.
데이터 기반 의사결정 문화가 정착되었더라도 한계는 남아있습니다. 특정 기관, 학습자를 위한 학습 분석 모델을 다른 기관, 학습자에게 적용하기 어렵기 때문입니다. 학습 분석은 여느 기술과 마찬가지로 지역, 조직, 사용자라는 맥락에 따라 적용할 때만 그 힘을 발휘할 수 있습니다.
상황에 따라 학습 분석 자체가 필요하지 않을 수도 있습니다. 앞서 언급한 것처럼, 기계가 사람보다 잘하는 업무도 있지만, 사람이 기계보다 잘하는 업무도 여전히 존재합니다.
다음은 학습 분석이 실제로 이루어지는 프레임워크에 대해서 다뤄보겠습니다.
