본문으로 바로가기 서브메뉴 바로가기 주메뉴 바로가기

상세보기 화면

칼럼

[미래정책포커스] 고도화된 맞춤형 교육: 초개인화 교육으로의 진화

  • 국가비전과 전략연구 교육혁신
  • 위원회 및 연구단
[미래정책포커스] 고도화된 맞춤형 교육: 초개인화 교육으로의 진화 대표이미지
  • 발행기관경제ㆍ인문사회연구회

주요내용

손찬희

한국교육개발원 디지털교육연구실장


  “개인화를 넘어 초개인화시대로!” 패러다임이 무엇인지 정의 내리기는 쉽지 않지만 우리는 크고 작은 사회적 변화에 직면할 때마다 패러다임 전환을 외쳐왔다. 교육 패러다임 전환도 마찬가지다. 그럼, 개인화를 넘어선 ‘초개인화’를 키워드로 하는 교육 패러다임 전환은 무엇이며, 초개인화로 그려볼 수 있는 교육의 모습은 어떨까?


초개인화 핵심 키워드는 데이터

  초개인화는 아마존 같은 기업의 마케팅활동, 넷플릭스 등 미디어 서비스의 핵심트렌드로 이미 우리에게 밀접하게 다가와있다. 마케팅 관점에서 초개인화는 ‘실시간으로 소비자의 상황과 맥락을 파악하고 이해해 소비자가 가장 원하는 경험과 서비스와 상품을 제공하는 기술’로 정의된다. 초개인화 기술의 핵심 키워드는 ‘데이터’로, 소비자의 상황과 맥락을 파악하고 이해하기 위한 방대한 데이터 수집과 분석, 그리고 이를 위한 자동화된 인공지능 기반의 초개인화 플랫폼을 필요로 한다. 

  ‘소비자’를 ‘학습자’로, ‘상품’을 ‘교육’으로 대체하면, 교육의 초개인화에 대한 정의가 될 수 있다. 초개인화 교육은 ‘데이터를 활용한 보다 고도화된 개인 맞춤형 교육, 보다 구체적으로는 나의 특성·상황·수준에 따라 교육이 다양한 모습으로 찾아오고, 시간이 지날수록 내게 더 맞춰지는 교육’이다. 사실 개인화는 교육에서 지속적으로 지향해온 교육 방법으로, 초개인화 교육은 데이터 기반의 ‘보다 고도화된’ 개인 맞춤형 교육이라는 차이점이 있을 뿐이다. 데이터 기반의 초개인화 교육은 학습 분석이라는 하나의 응용 학문 영역으로 특화되어왔다. 학습 분석은 ‘학습과 학습이 일어나는 환경에 대한 이해와 그 최적화를 위해 학습자와 그들의 맥락에 대한 데이터를 측정·수집·분석·보고하는 활동’이다. 학습 분석은 교수·학습 활동과 관련 데이터 수집·저장·처리와 분석,그리고 시각화(visualization)를 매개로하는 피드백이 순환되는 흐름으로 진행된다. 오른쪽 페이지 그림은 이러한 학습 분석의 흐름에 따라 초개인화 교육을 위해 요구되는 요건 혹은 요소를 보여준다. 학습 분석의 결과로 제시되는 맞춤형 정보 또는 처방은 교육 수요자인 학습자(micro)는 물론, 공급자인 교수자를 포함한 교육기관(meso) 입장에서도 유용하다.


학습 분석 기반 초개인화 교육의 흐름과 요건

‘예측 최적화, 피드백’으로 구현

  초개인화 교육을 데이터 기반의 보다 고도화된 개인 맞춤형 교육이라고 볼 때, 초개인화 교육은 우리에게 완전히 새로운 것이 아니라 이미 오래전에 예견한 미래이면서, 아직 오지 않은 미래이며, 정확히 언제 도달할지 모르는 미래일 수 있다. 단지 과거에는 생각할 수 없을 정도의 방대한 데이터 생성과 수집이 이루어지고 이를 분석하기 위한 기술의 비약적 진보로 우리에게 급속도로 더 가까이 다가온 것일 뿐이다. 이러한 전제하에 초개인화 교육은 데이터를 기반으로 하는 학습의 모니터링과 예측(anticipation), 학습 경로 및 환경의 최적화(adaptiveness), 그리고 학습 과정의 평가와 즉각적 피드백(assessment)으로 나타나고 있고, 이는 기술의 혁신과 수용이 심화되면서 더욱 정교화된 모습으로 우리 앞에 다가올 것이다.

  모니터링과 예측은 학습자 관련 정보를 수집해 시간이 지남에 따라 정보의 패턴 또는 경향을 알아보는 것으로 다른 교육 지원의 전제가 된다. 이를 통해 학습자는 자신의 성과를 스스로 분석할 수 있게 되고, 새로운 목표를 세우는 데 도움을 받으며, 교수자는 학습자가 세운 목표와 진행 상황의 추적이 가능해 해당 정보를 바탕으로 학습자에게 필요한 교육적 지원 사항을 보다 쉽게 파악할 수 있게 된다.

학습 경로 및 환경의 최적화는 학습 분석 결과로 파악되는 개별 과정마다 가장 성공적으로 학습을 수행한 학습자의 사례를 참조하고 해당 학습자의 적성을 고려해 적절한 과목을 추천, 제공하는 것이다. 개별 학습자의 정보와 학습 활동 이력 데이터를 종합해 학습 능력, 집중력 등을 알아내어 다음 주제로 진행해도 되는지, 진도가 늦지 않은지를 판단하고 그에 알맞은 학습 자료 제공을 가능하게 한다. 또한, 교수자에게 학습자의 학습 동기, 선수 지식, 학습 양식 등과 같은 다양한 학습자의 특성에 적합한 학습 내용, 학습 전략을 제공하거나 학습자가 이를 선택할 수 있도록 개인화된 적응적 학습을 지원한다.

  학습 과정의 평가와 즉각적 피드백은 학습 분석을 통해 정기적인 시험을 시행하지 않고 온라인 퀴즈 방식 등 다양한 학습 이력 데이터 분석을 통해 개별 학습자의 학습 과정을 분석하고 학습자에게 필요한 피드백을 적시에 제공하는 것을 의미한다.


융합형 학습 환경 조성 해야

  초개인화 교육 패러다임 전환은 비단 온라인 교육에 국한된 논의는 아니어야 한다. 교육 전반에 대한 교육 패러다임 전환을 위해서는 무엇보다 디지털과 피지컬을 융합하는 블렌디드 러닝, 현장체험형 학습, 문제 기반 학습을 지원할 수 있는 융합형 학습 환경을 조성해야 한다. 최근 발달하고 있는 사물인터넷(IoT), 센서 테크놀로지를 활용하면 피지컬한 교실 내 수업 환경 및 교실 외 학습 환경에서 발생하는 무궁무진한 학습자-콘텐츠, 학습자-학습자, 학습자-교수자 상호작용 데이터를 학습 분석의 대상으로 활용할 수 있게 될 것이다. 교실 수업에서 교수자의 관찰(macroscopic), 디지털 학습 환경에서 학습 분석 시스템에 의한 학습자별 현미경적 관찰(microscopic)과 학습자 간 망원경적 관찰(telescopic)을 삼각화(triangulation)해 학습자에 대한 다차원적 이해가 가능하도록 해야 한다.


참고문헌

*참고문헌: 이영훈(2021). 데이터 기반 개인화 기술. IE 매거진, 28(1), 27-30. 

*참고문헌: 관계부처 합동(2020). 인공지능 시대 교육정책 방향과 핵심 과제.

*참고문헌: SIEMENS, G., GASEVIC, D., HAYTHORNTHWAITE, C., DAWSON, S., SHUM, S. B., FERGUSON, R., DUVAL, E., VERBERT, K., & BAKER, R.(2011). OPEN LEARNING

ANALYTICS: AN INTEGRATED & MODULARIZED PLATFORM. OPEN UNIVERSITY PRESS

*참고문헌: 손찬희·장혜승·김은영·김성미·이은주·조일현·정광식(2019). 온라인 학습 분석 기반 맞춤형 교육 지원 방안 연구. 한국교육개발원

본 공공저작물은 공공누리 “출처표시+상업적이용금지+변경금지”  조건에  따라  이용할  수  있습니다.
TOP