학습분석 데이터 수집을 위한 xAPI 관련 동향 I
- 학습분석과 xAPI 간략 소개
Ⅰ. 들어가며
기술의 급격한 발전으로 인해 사회 각 분야가 디지털 전환이라는 거대한 흐름 앞에서 생존과 변화를 모색해야 하는 시대를 살고 있다. 특히 정보 기술의 발달로 인해 더욱 많은 데이터가 생산되고 있으며, 다양하고 빠르게 변화하는 데이터를 분석하여 의미 있는 정보를 추출하고 활용해야 하는 요구와 필요가 증대하고 있다.
교육 분야에서도 에듀테크(EdTech) 기술을 바탕으로 데이터를 활용하여 당면한 문제들을 해결하고자 하는 노력들이 꾸준히 이루어지고 있다. 하지만, 데이터를 수집하기 위한 사용자의 학습 환경, 즉 플랫폼과 소프트웨어가 매우 다양하기 때문에 체계적이고 정확한 데이터 수집이 어려운 것이 현실이다(조용상, 2016).
학습 분석(learning analytics)은 데이터를 수집하고 가공 및 분석하여 교육 환경을 지원할 수 있는 의미 있는 정보의 추출 및 표현을 모두 다루는 분야로서, 2000년대 후반부터 제안 되어 국내외에서 활발한 연구가 진행 중이다(이재호, 2018).
학습 분석은 학습 과정을 평가하고 미래의 성과를 예측하며 잠재적 이슈를 발견하기 위하여 학생들이 생산한 광범위한 데이터들을 수집하고 해석하는 것으로 정의할 수 있다(안미리, 최윤영, 배윤희, 2015).
그리고, 학습 분석의 목적은 학습자의 학습과 학습 환경을 전반적으로 이해하고 학습자의 교육 환경을 최적화하기 위해서 학습자와 학습자의 상황과 관련된 다양한 데이터를 측정, 수집 및 분석하고 그 결과를 시각화하여 제공하며 기존 학습 시스템을 개선하고 더 나은 학습을 계획하기 위한 인간의 결정을 지원하기 위한 것으로 볼 수 있다(김민하, 안미리, 2015).
한편, HRD 분야의 70:20:10 모델에서 보듯, 정형화 된 교육을 통한 학습 이외에 조직 구성원과의 상호작용이나 실제 업무를 통한 비공식 학습에 대한 관심과 중요도가 갈수록 커지고 있다. 또한, 기술의 발달과 디지털화가 심화됨에 따라 학습은 더 이상 교실이나 강의장 안에서만 일어나지 않으며 모바일을 비롯한 다양한 기기와 다양한 채널(유튜브, 소셜 네트워크, 게임 등)을 통한 학습이 증대하고 있다[그림 1].
[그림 1] 학습경험으로의 확장을 통해 '비정형 학습'과 '경험을 통한 학습'을 포괄(유인식, 2020)따라서, 이제 학습 분석은 정형화된 형식 학습(formal learning)뿐만 아니라 시간과 장소를 가리지 않고 일어나는 비형식 학습(informal learning)에서 발생하는 데이터들까지 그 범위가 확장되고 있다. 기존 학습 분석 분야에서 표준으로 사용되어 온 SCORM(Sharable Content Object Reference Model) 모델의 경우, 정형화 된 '10'에 대한 분석만을 지원하고 있고 특정 학습관리시스템(LMS; Learning Management System)에 의존적이어서 다른 학습 분석 도구들이 접근하기에는 많은 제약 사항이 존재하였다(정의석, 2016).
위와 같은 이유로 미국 국방성 산하의 ADL(Advanced Distributed Learning)에서는 2013년에 xAPI(Experience API)라는 이름의 새로운 데이터 모델을 정립하고 일반에 공개하였다. xAPI는 이동형 디바이스, 게임, 증강현실, 소셜 미디어 등의 다양한 미디어를 활용하는 학습 환경에서, 학습자 경험 데이터를 정의하고 서로 다른 시스템(LMS, 학습 분석 도구 등) 간에 데이터를 공유하고 통신이 가능하게 하기 위해 개발되었다(정의석, 2016).
이 글에서는 학습 분석 관점에서 xAPI 관련 최근 연구 결과들을 살펴보고, 국내에 적용하기 위한 시사점과 향후 연구 방향을 알아보고자 한다. 국내에서 xAPI에 대해 연구한 결과물은 많지 않기 때문에 국외 연구 자료를 같이 살펴보려고 하며, 특히 다양한 데이터 소스를 통합하는 부분과 서로 다른 표준 및 시스템간 상호운용성에 초점을 두고 선행 자료들을 살펴보려 한다.
Ⅱ. 기본적인 이론을 먼저 살펴보자~
1. 먼저 '학습 분석'이 뭔지는 알고 시작해야겠죠? ^^
교육 분야에서의 학습 분석은 기본적으로 학습을 촉진하기 위한 목적으로 연구되고 있다. 즉, 학습 데이터를 교육적 목적이나 문제 해결을 위한 행동으로 전환시키기 위한 목적을 가지는 것이다(안미리, 최윤영, 배윤희, 고윤미, & 김민하, 2016). 선행 연구들에서 학습분석학의 개념에 대해 정의한 내용들은 <표 1>과 같다.
<표 1> 학습분석학에 대한 개념 정의(안미리 등, 2016)학습 분석이 기대를 모으는 가장 큰 이유는 개인에 대한 정확한 이해를 바탕으로 학습 환경을 조성하고 학습에 대한 동기 부여를 하는 것이다. 현재 학습 분석의 수준은 아직까지는 단순 로그정보를 그래프와 표를 이용하여 대시보드로 표현하는 정도이다. 국내는 공공기관과 학계가 중심이 되어 표준화 작업을 진행하고 있고, 많은 관심에 비해 관련 산업계의 참여가 아직은 부족한 상황이다(정은미 & 조용상, 2017).
학습 분석이 교육 분야에 기여할 수 있는 바가 크기 때문에 ISO와 같은 국제적인 기관에서 관련 표준과 참조 모델을 정립하고자 노력하고 있는데, ISO/IEC 20748-1 '학습 분석 참조 모델 표준'에서는 학습 분석의 프로세스를 총 6개의 과정으로 정의하고 있다[그림 2].
[그림 2] 학습 분석 참조 워크플로우(정은미 & 조용상, 2017)ISO의 워크플로우에서 정의한 각 프로세스의 주요 특징은 아래와 같다.
교수·학습 활동: 교수학습 활동을 통해 데이터가 생성되는 단계이며, 분석을 위한 데이터의 소스
데이터 수집: 발생된 데이터의 수집 및 전송 단계
저장 및 가공: 수신된 데이터를 저장하고 분석을 목적으로 데이터 세트를 생성하는 가공 단계
분석: 알고리즘을 활용한 체계적 분석 단계
시각화: 분석한 데이터를 직관적인 표 또는 그래프 형태로 시각화 하는 단계
피드백 및 추천: 학습 분석 결과를 토대로 사용자에게 피드백 또는 수준별 학습 경로 제시 및 학습 자원을 추천하는 단계
데이터 분석의 첫 단계이자 가장 중요한 기초 작업은 교수 및 학습 활동이 이루어진 이후의 데이터의 수집 단계라고 할 수 있다. 현재 우리는 디지털화와 기술 발전으로 인해 시간과 장소를 가리지 않고 다양한 미디어를 통해 학습이 이루어지는 시대에 살고 있다. 서로 다른 다양한 디지털 기기에서 막대한 양의 학습 데이터가 쏟아지고 있기 때문에 서로 다른 유형의 각종 데이터들간의 상호호환성과 통합의 중요성도 커지고 있다.
2. 다음으로 'xAPI(eXperience API)'는 또 뭘까요???
다양한 학습 환경에서 발생하는 학습 데이터를 분석하기 위해 국제 표준화 기구에서는 학습 분석 기술 표준을 개발해 왔다(정은미 등, 2017). 학습 분석은 일반적인 빅데이터 분석 기법과 다르게 학습 활동으로 생성되는 데이터 유형과 데이터 모델이 표준화 되어 있어 비교적 정확하고 체계적으로 데이터가 수집 될 수 있다.
본 연구에서는 학습 분석 연구의 기반이 되는 데이터 수집에 주목하고자 하는데, 데이터 수집과 관련해서는 IMS Caliper analytics와 Experience API(xAPI)가 국제적으로 실질적인 표준 API로 활용되고 있다. Caliper Analytics와 xAPI는 현재 학습 활동 정보를 수집하기 위한 대표적인 표준이라 할 수 있다(이재호, 2018). 이 두 가지 표준은 학습 활동 정보를 LRS(Learning Record Store)에 저장하기 위한 목적성이나 수집 과정, 구현할 대상 등의 측면에서 유사성을 가지고 있지만, 데이터 규격에 사용하는 어휘나 실제 데이터를 서술하는 방법 등에 약간의 차이점을 가지고 있다[그림 3].
[그림 3] Caliper Analytics와 xAPI 비교표(이재호, 2018)이번 글에서는 두 가지 표준 중 xAPI를 논의 대상으로 선정했는데 그 이유는 [그림 3]에서 확인할 수 있듯 xAPI가 Caliper analytics 보다 개방적이고 더 많은 호환성을 제공하기 때문이다.
예를 들어, xAPI는 오픈 소스 모델을 적용하였고, Apache2 라이선스를 채택했기 때문에 수정이나 배포가 상대적으로 용이하다. 어휘 정의 방식도 오픈 소스 방식을 통해 개방적인 Recipe를 적용하여 향후 개발자들이 지속적인 협의를 통해 어휘를 정의하도록 하여 유연성과 확장성을 제공하고 있다. 또한 저장소 관리도 CRUD(Create, Read, Use, Delete) 기능이 가능하도록 기능을 제공하고 있어 활용성이 더 크다고 할 수 있다.
학습데이터를 활용하고 관리하기 위해서는 xAPI 같은 데이터 표준과 더불어 데이터 저장 및 관리 기술이 요구되는데 여기에 사용되는 개념이 LRS이다. xAPI는 ADL에서 제정한 SCORM의 후속 버전으로, SCORM이 표준을 적용한 시스템과 콘텐츠에 대해서만 호환성을 가지는 반면 xAPI는 xAPI 표준이 적용되지 않은 시스템 및 콘텐츠와 데이터를 주고받을 수 있어 다양한 학습데이터를 활용할 수 있다는 장점이 있다.
즉, xAPI는 과정 정보, 학습활동 및 학습경험, 성과 정보를 표준화된 데이터로 변환시켜 주는 역할을 하며 이를 통해 학습 데이터들은 데이터 저장소의 일종인 LRS에 쌓이게 된다. 여기에 쌓인 학습 데이터를 분석함으로써 유의미한 정보를 얻고 학습자 대상 과정 추천이나 맞춤형 교육(보충, 심화 등), 경력 설계 등 다양한 서비스를 제공할 수 있다[그림 4].
[그림 4] xAPI와 LRS 기반 맞춤 서비스(이지은, 2020)학습자가 교수자 또는 콘텐츠 등과 상호작용하는 행위를 기록하고 수집하는 것을 목적으로 고안된 xAPI는 그 핵심이 되는 행위자(actor), 대상(object), 행위(verb)를 필수항목으로 하는 트리플 모델을 채택하고 있다. 또한 학습데이터 분석을 풍부하게 할 수 있는 Context, Result 등은 필요할 경우에 추가로 사용할 수 있도록 정의되어 있다(계보경 등, 2018).
xAPI의 최근 버전(1.0.3)에서 규정하고 있는 학습 경험 데이터 명세를 살펴보면 행위자, 대상, 행위 세 가지 요소는 필수 항목으로 포함이 되어 있고, 나머지 추가적인 요소들(result, context, time stamp, version, attachments 등)은 필요에 따라 추가할 수 있도록 구성이 되어 있음을 확인할 수 있다[그림 5].
[그림 5] xAPI 1.0.3 상의 학습 경험 데이터 명세(계보경 등, 2018)※ 지금까지 '학습 분석'과 'xAPI'에 대해 간략하게 알아 봤습니다. 다음 편에서는 xAPI를 비롯한 학습 데이터 수집 관련 표준들에 대해 좀 더 살펴보고, xAPI가 어떻게 활용되는지에 대해서도 살펴보겠습니다.
[참고문헌]
교육부, 한국교육학술정보원 (2019) “2019 교육정보화백서”. 대구: 한국교육학술정보원.
계보경, 임완철, 박연정, 손정은, 김정현, 박선규, 정태준 (2018). 지능형 학습 분석을 위한 데이터 수집․분석 API 고도화 연구(연구보고 RR 2018-9). 대구: 한국교육학술정보원.
김민하, 안미리 (2015). 학습 분석의 데이터 유형과 응용 분야. 한국교육공학회 학술대회발표자료집, 2015(2), 409-421.
남창우, 조다은 (2020). 대학교육 지원을 위한 오픈소스 LMS 기능지표 개발. 평생학습사회, 16(2), 137-164.
손정은, 조용상 (2017). 학습 분석 참조모델 적용을 위한 시스템 요구사항 정의. 한국컴퓨터교육학회 학술발표대회논문집, 21(1), 57-60.
안미리, 최윤영, 배윤희, 고윤미, 김민하 (2016). 학습분석학 국내 문헌 고찰: 로그 데이터를 이용한 실증연 구를 중심으로. 교육공학연구, 32(2), 253-291.
유인식 (2020). "인공지능, 데이터 그리고 학습분석의 미래", 한국교육정보미디어학회.한국교육공학 회 2020 추계공동학술대회 워크숍 자료집, 2020. 10. 30
이재호 (2018), "표준화 이슈리포트 : 학습 분석 데이터 수집 체계 표준 동향", 한국교육학술정보원.
이지은 (2020). 에듀테크로 촉발되는 고등교육의 위기와 기회. Korea Business Review, 24(신년 특별호), 151-171.
장시준 (2020). 원격교육 지원을 위한 국가수준 플랫폼 구축 방향. Korea Information Processing Society Review, 27(2), 41-46.
정은미, 조용상 (2017). 학습 분석 표준화 동향 및 학습 분석 참조모델. 한국컴퓨터교육학회 학술발표대회논문집, 21(1), 61-64.
정의석 (2016). 표준· 시험인증 기술 동향-학습 분석 기술 및 표준화 동향. TTA Journal, 76-82.
조용상 (2016). 데이터 수집 API를 통해 저장된 이질적인 학습 데이터의 변환 체계 설계. 정보교육학회 학술논문집, 7(1), 75-80.
최제영, 박충식, 최광선, 정의석, 김성진, 유인식 (2012). 스마트교육에서 발생하는 교육 빅 데이터 활용방안. 한국지능정보시스템학회 학술대회논문집, 144-148.
Bakhouyi, A., Dehbi, R., Lti, M. T., & Hajoui, O. (2017). Evolution of standardization and interoperability on E-learning systems: An overview. In 2017 16th International Conference on Information Technology Based Higher Education and Training (ITHET) (pp. 1-8). IEEE.
Bibiloni, T., Oliver, A., & del Molino, J. (2018). Automatic collection of user behavior in 360 multimedia. Multimedia Tools and Applications, 77(16), 20597-20614.
CBinsights. (2020). The Edtech Market Map: 100+ Startups Building The Future Of Education, Retrieved from https://www.cbinsights.com/research/ed-tech-startup-market-map/
Kevan, J. M., & Ryan, P. R. (2016). Experience API: Flexible, decentralized and activity-centric data collection. Technology, knowledge and learning, 21(1), 143-149.
Kitchenham, B., & Charters, S. (2007). Guidelines for performing systematic literature reviews in software engineering. Technical Report EBSE-2007-01, Keele University (UK).
Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., & PRISMA group. (2009). Preferred Reporting Items for Systematic Reviews and Meta-Analyses: The PRISMA Statement.
Panagiotakis, S., Papadokostaki, K., Vassilakis, K., & Malamos, A. G. (2018). Towards a novel and LMS-free Pervasive Learning System exploiting the Experience API. EAI Endorsed Trans. Creative Technol., 5(16), e2.
Samuelsen, J., Chen, W., & Wasson, B. (2019). Integrating multiple data sources for learning analytics—review of literature. Research and Practice in Technology Enhanced Learning, 14(1), 11.
Sun, X., Ye, Y., Yang, J., Hao, L., Ding, L., & Song, H. (2020). Research and implementation of u-learning system based on experience API. Journal of Information Processing Systems, 16(3), 572-587.
Vázquez, M. M., Rodríguez, M. C., & Nistal, M. L. (2018). An xAPI application profile to monitor self-regulated learning strategies. IEEE Access, 6, 42467-42481.
Vázquez, M. M., Rodríguez, M. C., & Nistal, M. L. (2015). Development of a xAPI application profile for self-regulated learning requirements for capturing SRL related data. In 2015 IEEE Global Engineering Education Conference (EDUCON) (pp. 358-365). IEEE.
Vázquez, M. M., Rodríguez, M. C., & Nistal, M. L. (2015). xAPI-SRL: Uses of an application profile for self-regulated learning based on the analysis of learning strategies. In 2015 IEEE Frontiers in Education Conference (FIE) (pp. 1-8). IEEE.
Vidal, J. C., Rabelo, T., Lama, M., & Amorim, R. (2018). Ontology-based approach for the validation and conformance testing of xAPI events. Knowledge-Based Systems, 155, 22-34.
인공지능 기반의 통합학습 플랫폼 차세대 LMS: LABS. (2020). Retrieved from https://hrd.hunet.co.kr/Contents/Lms
Andy Hicken. (2019). eLearning Hype Curve: Our Predictions for 2019. Retrieved from https://webcourseworks.com/elearning-predictions-hype-curve-2019/
Josh Bersin. (2020). The Disruption of Digital Learning: Ten Things We Have Learned. Retrieved from https://joshbersin.com/2017/03/the-disruption-of-digital-learning-ten-things-we-have-learned/
Yong-Sang Cho. (2015). More thinking about xApi and IMS Caliper - Structural/Syntactic & Ontological Mapping. Retrieved from https://www2.slideshare.net/zzosang/more-thinking-about-xapi-and-ims-caliper-structuralsyntactic-ontological-mapping?from_action=save
