검색
검색 팝업 닫기

Ex) Article Title, Author, Keywords

Article

Split Viewer

전자저널 논문

2020; 30(3): 531-552

Published online August 31, 2020 https://doi.org/10.29275/jerm.2020.08.30.3.531

Copyright © Korea Society of Education Studies in Mathematics.

Artificial Intelligence in Primary and Secondary Education: A Systematic Review

초 · 중등교육에서 인공지능: 체계적 문헌고찰

Dongjo Shin

* Research Professor, Korea University, South Korea, sdlov20@gmail.com

*고려대학교 연구교수

Correspondence to:1) This research was supported by Basic Science Research Program through the National Research Foundation of Korea(NRF) funded by the Ministry of Education(NRF-2020R1I1A1A01072637)

Received: July 10, 2020; Revised: August 2, 2020; Accepted: August 3, 2020

Recently, the education system has been changing rapidly with the advent of the Fourth Industrial Revolution and the COVID-19 global pandemic. In this situation, this study reviewed 51 international research studies that used artificial intelligence in the context of primary and secondary education 2015-2020. The results of this study show that artificial intelligence was used most frequently in mathematics education and mainly for learning fractions and linear equation. Studies that used artificial intelligence in education were most likely to be conducted for elementary and middle school students, and quantitative methodology was mainly used to examine the impacts of artificial intelligence on students’ achievement and affective domains. Systems that used artificial intelligence tended to be in the form of intelligent tutoring systems that provide step-by-step tutoring and adaptive, personalized feedback. In these systems, teachers tended to play minor roles, assisting the interaction between students and the artificial intelligence system.

KeywordsArtificial Intelligence(AI), primary education, secondary education, mathematics education, systematic review

컴퓨터와 과학 기술의 발달은 우리 생활에 많은 변화를 가져다주며, 교육 역시 시대적 상황에맞춰 변화한다. 이러한 변화는 때론 주목할만한사건을 통해 급진적으로 이루어진다. 1957년 인류 최초의 인공위성인 스푸트니크(Sputnik)호의성공적 발사는 미국의 수학ㆍ과학교육의 개혁을 가져다준 사건으로 유명하다. 이후 2016년 알파고(AlphaGo)의 등장은 우리에게 ‘제4차 산업혁명’과 ‘인공지능’ 시대의 서막을 알리는 계기가되었으며, 2019년에 발생한 코로나19(COVID-19)의 세계적 대유행은 학교 교육의 모습을 강제로 바꾸고 있다. 갑작스럽게 다가온 변화는 학생, 학부모, 교사, 교육당국자 모두를 혼란에 빠뜨렸고, 학교는 개학 연기와 온라인 개학이라는 전례없는 상황을 맞이하였다. 교육부를 비롯한 교육전문가들은 온라인 교육시스템 개선과 콘텐츠 확보를 위해 분주하게 움직이고 있으며, 코로나19로 인해 강제적으로 변화하고 있는 교육 현장을 지켜보면서 이를 미래교육을 위한 혁신의 기회로 만들어야 한다는 목소리도 높아지고 있다 (Kang et al., 2020).

미래교육과 함께 빈번하게 등장하는 용어 중 하나는 인공지능(Artificial Intelligence, 이하 AI)이다. 사실 AI는 제4차 산업혁명 시대의 핵심 기술이고 전 세계적으로 높은 관심과 막대한 투자가 이어지고 있지만, 우리 사회에서 AI라는 단어가 대중의 입에 오르내린 것은 불과 몇 년이 되지 않는다(Chung, 2016). 하지만 2019년 12월 정부는 사회ㆍ경제 전반의 혁신을 위한 AI 국가전략을 발표하면서 AI 인재양성과 전 국민의 AI 기본교육을 선언하였다(Ministry of Science & ICT, 2019). 이를 위한 추진과제로 초ㆍ중ㆍ고등학교 학생에게 소프트웨어(SW)와 AI 필수교육을확대하고, 교육대학과 사범대학에 SWㆍAI 관련교직과목과 전공과목을 신설하여 교원 자격 취득을 위한 필수과목으로 지정하는 등의 내용이 포함되었다(Ministry of Science & ICT, 2019). 나아가 AI 융합교육 전공 과정을 교육대학원에 신설하여 2024년까지 5천 명의 AI 교사양성을 위한 계획을 발표하였다(Ministry of Education, 2019).

그러나 정부의 이러한 방향이 시대적 조류에 휩쓸려 단순히 컴퓨터과학(computer science) 전공의 기초과정을 교육대학, 사범대학, 그리고 현직교사 재교육 프로그램에 포함하는 수준으로 구현되는 것에는 우려의 시선이 뒤따른다. 컴퓨터과학 분야에서 제공하는 기본적인 SWㆍAI 관련 과목을 수강한 현직 및 예비교사가 이를 교육 현장에서 적극적으로 활용하는 것을 기대하기는 어렵기 때문이다. 컴퓨터교육 전공이 아닌대부분의 교사들은 컴퓨터 관련 비전공자이다.컴퓨터 관련 비전공자들은 교양 수준의 기본적인 SW 수업이라고 하더라고 어려움을 느끼고특히 자신의 전공과의 연관성이 없다고 생각할때 SW 교육에 대해 부정적으로 인식한다(Kim, 2017). 수학교사와 같은 교과교육 교사에게SW·AI에 관한 학습 동기를 부여하고 이를 교육현장에 효과적으로 활용하는 것을 돕기 위해서는 교과 관련 지식이 통합된 SWㆍAI 교육 프로그램 개발과 교육과정 구성이 요구된다(Weintrop et al., 2016). 그러나 AI가 초ㆍ중등 교과 교육에서 어떠한 모습으로 어떻게 활용되고 있는지, AI를 통합한 교과 교육의 교육적 효과와 한계가무엇인지에 관해 체계적으로 분석한 국내연구는매우 부족한 실정이다. 이에 본 연구는 체계적문헌고찰을 통해 초ㆍ중등 교과 교육에서 AI를사용한 연구를 종합적으로 검토하였다. 특히, 초ㆍ중등 수학교육에서 AI를 사용한 사례를 구체적으로 제시함으로써 AI를 통합한 수학교육의이해를 높이고 미래 수학교육의 방향성과 교육적 시사점을 제공하고자 하였다.

본 장에서는 AI의 개념과 교육 분야에서 AI 관련 연구를 종합적으로 검토한 선행연구에 대해 살펴보고자 한다.

1. 인공지능의 정의

불과 몇 년 전만 하더라도 AI는 주로 공상과학 영화나 소설 속에서나 등장하던 단어였다2). 그러나 최근 AI는 우리도 모르는 사이에 우리생활 깊숙이 들어와 있고 뉴스나 미디어 속에서 끊임없이 오르내리고 있다. 이렇듯 우리는 AI라는 용어를 흔히 사용하고 있지만, AI가 무엇인지명확하게 설명할 수 있는 사람은 거의 없다. 사실 AI의 정의는 관련된 전문 서적의 수만큼 다양하다는 말이 나올 정도로 AI를 연구하는 사람들 사이에서도 AI에 관해 일치된 정의가 없는상황이다(Holmes, Bialik, & Fadel, 2019).

Baker & Smith(2019)는 AI가 학습과 문제해결과 같은 대개 인간의 마음과 연관된 인지적 과제를 수행하는 컴퓨터로 정의되지만, 기계학습(machine learning), 자연어 처리(natural language processing), 데이터 마이닝(data mining), 신경망(neural networks)과 같은 기술과 방법을 아우르는 포괄적인 개념(umbrella term)으로 이해해야한다고 주장한다. 이에 Russell & Norvig(2016)는 선행연구에서 정의한 AI의 개념을 종합하여Figure 1과 같이 표현하였다. 먼저, 인간처럼 사고하는 시스템(think like humans)은 사람이 가지는 인지모델을 분석하여 의사결정과 문제해결과 같은 인간의 인지능력을 모방하는 시스템을 AI로 정의하는 것을 의미한다. 그러나 인간은 항상합리적이고 이성적으로 사고하지 않는다. 합리적으로 사고하는 시스템(think rationally)을 연구하는 학자들은 올바른 답 또는 최적의 답을 얻기 위해 철저히 논리적이고 계산적인 사고를 하는 시스템으로 AI를 정의한다. 반면 사고, 지능, 추론적인 것을 구현하기는 쉽지 않기 때문에 지능적인 행동 표현 자체에만 관심을 가지고 이를 AI로 정의하기도 한다. 인간처럼 행동하는 시스템을 생각해보기 위해 우리가 볼 수 없는 어떤 대상(object)에게 복잡한 곱셈 문제를 물어보고질문에 대한 답을 글(text)로 받는 상황을 생각해보자3). 만약 우리가 이 대상으로부터 “잠시만”이라는 반응과 함께 10초 후에 문제에 대한 답을받았다면 이 대상이 마치 사람처럼 행동한다고 생각할 수 있다. 반면, AI를 합리적으로 행동하는 시스템으로 정의하는 학자들은 주어진 문제에 가장 빠르고 최적의 답을 제공하는 것을 목표로 한다. 따라서, 앞의 사례에서처럼 ‘10초 지연 후 답변’의 방식으로 AI를 구현하지 않는다(Russell & Norvig, 2016). 예컨대 우리가 일상에서 자주 접하는 다양한 챗봇, 자동 번역기, 알파고와 같은 시스템은 합리적으로 행동하는 시스템으로 구현된 AI라고 할 수 있다.

Figure 1.Definitions of AI(Russell & Norvig, 2016, p. 5)

2. 교육에서 인공지능

교육에서 AI 사용에 관한 연구는 1989년 학술지4) 발간과 1997년 학제간 국제적 공동체인International Artificial Intelligence in Education Society(IAIED)의 설립과 함께 지난 30년간 진행되고 있다. 앞서 언급하였듯이 AI의 정의는 다양하지만, Baker & Smith(2019)는 교육에서 AI를학습자 차원, 교사 차원, 시스템 차원으로 분류하였다. 먼저, 학습자 차원 AI는 맞춤형 학습과같이 학생이 교과 지식을 배우기 위해 사용하는 도구를 의미한다. 교사 차원 AI는 행정, 평가, 피드백, 표절 탐지와 같은 업무를 자동화함으로써교사의 업무량을 경감하고 교사를 지원하는 도구를 말한다. 마지막으로 시스템 차원 AI는 학교전체의 학생 수 감소 패턴과 같은 정보를 기관 관리자에게 제공하는 도구를 의미한다(Baker & Smith, 2019).

교육에서 AI는 주로 학습자 차원에서 개발되고있으며 이는 개인 튜터(personal tutors), 협력학습을 위한 지능적 지원, 지능형 가상현실(virtual reality, 이하 VR)로 나눌 수 있다(Luckin, Holmes, Griffiths, & Forcier, 2016). 개인 튜터의 대표적인예는 지능형 교수 시스템(intelligent tutoring system, 이하 ITS)으로 일대일 맞춤형 수업을 제공하도록설계된 교육용 AI를 말한다. 전통적인 단계형 ITS는 학생 개인의 수준에 적합한 학습 내용과 학습경로를 제공하며 학습 과정에서 힌트와 피드백을 제공함으로써 효과적인 학습이 이루어질 수 있도록 안내한다. 일반적으로 ITS는 3개의 지식 모델에기반하여 학습자에게 맞춤형 수업과 피드백을 제공한다(Graesser, Conley, & Olney, 2012). 첫째, 도메인 모델(domain model)은 교수ㆍ학습을 위한 내용, 기술, 개념 간의 학습 위계에 관한 지식을 의미한다. 예를 들어, 함수의 개념, 일차방정식의 풀이, 곱셈 개념에 관한 학습 위계가 이에 해당이다. 둘째, 교수 모델(pedagogy or tutoring model)은 교수학적 지식으로 예를 들어 근접발달영역(zone of proximal development), 인지적 부하(cognitive load), 소크라테스의 문답법에 관한 지식을 의미한다. 셋째, 학습자 모델(student or learner model)은 학습자에 관한 지식으로 ITS에서 학습자와의 상호작용을통해 수집된 학습자의 인지적, 정의적 정보를 의미한다. 학습자 모델은 학습자가 ITS와 상호작용 한정보를 사용하여 계속적으로 보강되며 활용된다는 점에서(Grawemeyer et al., 2017) 기존의 컴퓨터 기반 학습시스템과 ITS를 구분하는 특징이라고 할수 있다(Holmes et al, 2019).

대표적인 ITS로는 Carnegie Mellon 대학에서개발한 Cognitive Tutor와 New York 대학과California(Irvine) 대학에서 공동으로 개발한ALEKS(Assessment and Learning in Knowledge Spaces)가 있다. 전통적인 ITS는 학습자의 요구에 따라 단계적 피드백과 힌트를 제공하여 주로 절차적 지식에 관한 학습을 목표로 하는 교수 시스템이다. 반면 대화형 ITS(dialogue-based ITS)는 자연어 처리기술을 사용하여 대화 형식의 학습 환경을 제공하면서 보다 개념적 지식을 학습하기 위해 설계된 ITS이다. 대화형 ITS의 대표적인 예는 Memphis 대학에서 개발한 AutoTutor가있다(Graesser et al., 2012).

AI는 개별학습 이외에도 협력학습을 돕기 위해서 사용되는데, 학습자 개인 특성에 기반한 모둠형성과 온라인 모둠학습에서 상호작용을 촉진시키기 위해 AI를 사용하는 것이 이 범주에 속한다(Zawacki-Richter, Marín, Bond, & Gouverneur, 2019). 마지막으로, 지능형 VR은 가상의 학습공간 또는 게임 기반 학습 환경에서 학생들이 가상의 에이전트와 함께 학습하도록 AI를 설계하는것을 의미한다(Luckin, et al., 2016).

3. 교육에서 AI 활용에 관한 문헌분석

교육에서 AI 활용에 관한 연구동향 및 문헌분석에 관한 연구는 주로 해외에서 진행되었으며, AI 유형과 AI 적용대상에 따라 다양하게 이루어졌다. Chassignol, Khoroshavin, Klimova & Bilyatdinova(2018)는 2012년부터 2018년까지 교육에서 AI 활용을 AI와의 상호작용, AI 기반 평가, AI 기반 교수법으로 분류하여 AI가 교육에활용되는 방식을 분석하였다. Zawacki-Richter et al.(2019)은 체계적 문헌고찰을 실시하여 고등교육에서 AI는 주로 학생 프로파일과 예측, 평가, ITS, 적응형ㆍ맞춤형 시스템에서 활용되고 있음을 보고하였다. 가장 활발히 연구가 진행되고 있는 국가는 미국, 중국, 대만, 터키 순으로 나타났고, 주저자의 연구 분야는 컴퓨터과학, STEM, 예술ㆍ인문ㆍ사회과학, 교육학 순으로 나타났다(Zawacki-Richter et al., 2019).

Drigas & Ioannidou(2012)는 특수교육 분야에서수행된 AI 연구를 분석하여 읽기, 쓰기, 수학학습에서 어려움을 가지는 학생부터 감각 및 신체적 장애, 자폐 범주성 장애, 난독증, 주의력 결핍 장애와 주의력 결핍 과잉 행동 장애가 있는 학생의 진단 및 치료를 위해 사용된 AI 도구를 소개하였다. 다수의 선행연구에서는 교육 분야에서 가장널리 활용되고 있는 AI인 ITS 사용에 관한 문헌검토를 실시하였다. 예를 들어, Alfaro et al.(2020)은 현재 개발된 ITS를 웹 기반 ITS(또는hypermedia), 문화적 다양성에 맞춰 교육 내용을제공하는 ITS, 협동 및 그룹 학습의 효과를 높이는 ITS, 놀이적 요소를 통합한 ITS로 분류하여분석하였다. 또한, Steenbergen-Hu & Cooper(2013)는 고등교육에서 ITS의 활용을, Tafazoli, María, & Abril(2019)는 언어교육에서 ITS 활용에 관한문헌분석을 수행하였다.

살펴본 것과 같이, 교육에서 AI 활용과 관련된연구동향 분석은 주로 고등교육의 맥락에서 진행되는 경향이 있었다(예를 들어, Hinojo-Lucena et al., 2019; Steenbergen-Hu & Cooper, 2013; Zawacki-Richter et al., 2019). 2007년부터 2017년까지 AI 기반 적응형ㆍ맞춤형 학습에 관한 연구분석에 따르면, 절반가량이 고등교육 맥락에서실시되었고 초등교육(약 20%)과 중등교육(약10%)에서는 상대적으로 미흡하게 진행되었다는점이 이와 맥을 같이한다(Xie, Chu, Hwang, & Wang, 2019). 이는 AI와 관련된 연구의 대부분이컴퓨터과학 분야를 중심으로 진행되었고(Xie et al., 2019; Zawacki-Richter et al., 2019), 해당 분야 대학생을 대상으로 교육적 효과를 분석한 연구들이 주가 되었기 때문으로 생각된다. Steenbergen-Hu & Cooper(2013)는 1997년부터2010년까지 초ㆍ중등 수학교육에서 ITS 활용에관한 26개의 연구를 메타분석을 통해 검토하여ITS를 통한 수학학습의 효과를 분석한 바 있다. 그러나 AI 기술이 2010년 이후에 급격히 발달하고 있다는 점에서 최근 초ㆍ중등교육에서 AI의 활용에 관한 종합적 분석의 필요성이 대두된다. 또한, 해외연구에 비해 국내에서는 교육에서의AI 활용과 관련된 연구동향 및 체계적 문헌분석이 거의 수행되지 않았다. 본 연구의 목적은 최근 5년간 국외 초ㆍ중등교육에서 수행되었던 AI활용에 관한 연구를 종합적이고 체계적으로 분석하는 것이다. 특히, 초ㆍ중등 수학교육에서 AI활용에 관한 구체적인 사례를 제시함으로써 AI기반 수학교육에 대한 이해를 높이고, 향후 AI교육 프로그램 설계와 활용에 관한 시사점을 제공하고자 한다.

본 연구는 초ㆍ중등교육에서 AI를 활용하고교육적 효과를 논의한 실험연구 결과를 보다 객관적이고 체계적으로 종합하기 위해서 Kitchenham & Charters(2007)의 체계적 문헌고찰방법을 사용하였다. 체계적 문헌고찰의 수행은연구문제 설정, 문헌검색, 문헌선택, 자료추출 및분석, 자료종합 및 결과제시에 따라 진행되었다.

1. 연구 문제 설정

연구 문제는 다음과 같다: 1) 초ㆍ중등교육에서 AI 활용에 관한 연구의 국가별, 교과 영역별, 연구대상별, 연구방법별 분포는 어떠한가? 2) 초ㆍ중등교육에서 어떤 유형의 AI가 활용되었는가? 3) AI를 활용한 초ㆍ중등교육에서 교사와AI 시스템은 각각 어떠한 역할을 수행하였는가? 4) 초ㆍ중등 수학교육에서 AI는 어떤 방식으로활용되고 있는가?

2. 문헌검색

문헌검색 단계는 제시된 연구 문제에 적절하고 높은 질의 문헌을 수집하는 것이다. 문헌의질을 위해 해외 저명한 데이터베이스 중 하나인 Web of Science5)를 이용했다. Web of Science는과학인용색인(Science Citation Index, 이하 SCI)과사회과학인용색인(Social Sciences Citation Index, 이하 SSCI)에 등록된 우수한 논문에 대한 학술정보를 제공한다. 또한, Web of Science는 SCI(E)와 SSCI 등재 후보지에 해당하는 Emerging Sources Citation Index(ESCI)에 관한 학술정보를포함한다는 점에서 양질의 논문을 검색하기에 적절한 데이터베이스로 판단하였다.

교육 분야에서 AI와 관련된 연구가 초기 단계에있고 AI 기술이 짧은 시간 내에 급격히 변하고 있다는 점에서 문헌검색 기간은 2015년부터 본 연구가 시작된 2020년 4월까지로 선정하였다. 초ㆍ중등교육에서 AI 활용에 관한 논문을 검색하기 위해 제목, 초록, 핵심어에 다음과 같은 단어를 포함한 논문을 모두 검토하였다: (intelligent OR “artificial intelligence” OR adaptive OR personalized) AND (education OR student OR teacher OR tutor). 여기서고등교육, 의학, 문헌분석에 관한 논문은 본 연구의목적에서 벗어난다고 판단하여 아래와 같은 단어를포함한 논문을 사전에 제외하였다: college OR undergraduate OR university OR “higher education” OR medicine OR medical OR nursing OR review. 이과정에서 총 2,165편의 논문이 검색되었다.

3. 문헌선택

검색된 2,165편의 논문을 대상으로 최종 분석에 사용될 논문을 선택하기 위해 Table 1과 같이포함기준과 배제기준을 선정하였다.

Table 1 Inclusion and exclusion criteria

기준내용
포함초•중등 교과교육 관련 연구
AI를 통한 교육적 효과를 검토한 실험연구
배제유아교육 및 고등교육 관련 연구
AI 개발과 성능을 공학적으로 검토한 연구
문헌 연구 및 이론 연구
논문에서 사용된 언어가 영어가 아닌 연구


Table 1에 기술된 기준에 따라 두 단계의 포함및 배제과정을 거쳤다. 1차 선별과정에서는 논문의 초록을 검토하였고, 이 과정에서 2,021편의 논문이 제외되었다. 1차 선별과정에서 선별된 144편의 논문에 대해서는 본문 검토가 진행되었고, 51편의 논문이 최종 분석대상으로 선정되었다. 논문선정에서 배제된 논문은 주로 고등교육에서 AI에사용에 관한 논문과 AI 알고리즘 및 프로그램의개발과 성능분석을 목적으로 공학적으로 수행된 연구였다(예를 들어, 자동채점 시스템의 성능 평가, 예측 알고리즘의 성능 비교에 관한 연구). 1차 선별과정에서 AI를 활용한 초등교육 연구로확인되었지만 본문이 스페인어로 기술되었던 1편의 논문 역시 최종선정에서 제외되었다. 문헌 선택과정을 도식화하면 Figure 2와 같다.

Figure 2.Paper selection processes

4. 자료추출 및 분석

자료추출 및 분석은 최종 수집된 논문을 체계적으로 분석하는 데 필요한 변인들을 추출하여 분석기준을 만드는 단계이다. 초ㆍ중등교육에서AI 활용에 관한 문헌을 분석하기 위해 각 논문의 제목, 게재년도, 연구목적, 연구대상, 교과목, 교육국가, 연구방법, 적용된 AI 유형, 사용된 하드웨어, AI 적용방식, 교사의 역할, AI의 교육적 효과에 관한 정보를 추출하여 스프레드시트에 저장하였다.

연구 문제를 검토하기 위해 교과목은 언어, 수학, 과학, 사회, 기타로 분류하였다. 해외연구에서 모국어교육과 외국어교육의 구분이 모호하게 나타날 수 있다는 점을 감안하여 모국어와 외국어교육에 관한 교과목을 모두 언어로 요목화하였다. 연구대상은 학교급별(초등학교, 중학교, 고등학교) 학생과 교사로 나누었고, 연구방법은 양적, 질적, 혼합 연구로 구분하였다. 초ㆍ중등교육에 적용된 AI 유형은 Luckin et al.(2016)Holmes et al.(2019)에 근거하여 단계형 ITS, 대화형 ITS, 협력학습 시스템, VR, 기타로 구분하였고, 해당 AI 시스템을 구현하기 위한 하드웨어방식을 컴퓨터, 태블릿, 로봇, 웨어러블 장치(wearable devices)로 나누었다(Xie et al., 2019). Bernacki & Walkington(2018)은 AI를 활용한 교육에서 교사가 AI를 활용하여 주도적으로 맞춤형수업을 진행하는지 반대로 학생이 개별적으로 AI와 상호작용하는지를 고려하는 것이 중요하다고 하였다. 따라서 교사의 역할과 AI의 역할을수업을 주도적으로 진행하는 역할과 이를 보조하는 역할로 나누었다. 제시된 논문 분석기준에따라 분류하는 과정에서 중복되는 경우에는 각 1회 빈도로 표시하였다.

1. 초ㆍ중등교육에서 AI 활용

분석된 논문 중, 초ㆍ중등교육에 AI가 활용된교과목과 세부 교과 영역의 빈도는 Table 2와 같다. 초ㆍ중등교육에서는 총 4개의 교과에서 AI를활용했으며 수학 교과에서 가장 높은 빈도로 활용되었다. 수학 교과의 경우 AI는 수와 연산과문자와 식 영역에서 가장 많이 활용되었다. 수와연산 영역에서는 분수 학습을 위해 AI를 활용한연구(Grawemeyer et al., 2017; Olsen, Rummel, & Aleven, 2019; Rajendran, Iyer, & Murthy, 2018; Reinhold, Hoch, Werner, Richter-Gebert, & Reiss, 2020; Wu, Kuo, & Wang, 2017)가 가장 많았고, 문자와 식 영역에서는 대부분 일차방정식과 관련된 연구(Bringula, Fosgate, Garcia, & Yorobe, 2018; Gonzalez-Calero, Arnau, Puig, & Arevalillo-Herraez, 2015; Kurilovas, Zilinskiene, & Dagiene, 2015; Long & Aleven, 2017; VanLehn et al., 2019; Kautzmann & Jaques, 2019)가 수행되었다. 언어 교과에서는 주로 읽기와 관련된 영역에서 AI가 활용되었다.

Table 2 Subject and specific contents that used AI

교과세부 교과 영역빈도
수학수와 연산(11), 문자와 식(8)*,
함수(2)*, 측정(1), 기하(1)
23
언어읽기(8), 문법(2), 단어학습(2), 듣기(1), 쓰기(1),14
과학지구과학(5), 물리(4), 생물(3), 화학(1)13
사회지리(2), 역사(1)*3
합계53

* : 중복된 교과/단원을 다룬 연구를 포함



초ㆍ중등교육에서 AI가 활용된 연구를 국가별로 분석한 결과는 Table 3과 같다. 먼저, 대륙별로 범주화하면 아시아, 북미, 유럽이 비슷한 빈도로 나타났고, 아프리카와 오세아니아 대륙에서수행된 AI 관련 초ㆍ중등교육 연구는 없었다. 단일 국가로는 미국에서 가장 많은 연구가 수행되었으며, 대만, 영국, 스페인이 차순으로 나타났다. 한국에서 진행된 연구로는 영문법 학습에서과정 중심 피드백을 제공하는 ITS를 설계하고교육적 효과를 조사한 Choi(2016)의 연구가 유일했다.

Table 3 Country where AI-based research in education has been conducted

대륙국가빈도
아시아대만(9), 인도(2), 한국(1), 중국(1), 태국(1), 터키(1), 마닐라(1), 이스라엘(1), 파키스탄(1)18
북미미국(17)*17
유럽영국(5)*, 스페인(4), 슬로베니아(2) 스위스(1), 네덜란드(1), 독일(1), 리투아니아(1)15
남미브라질(1), 칠레(1)2
합계52

* : 중복된 국가에서 수행된 연구를 포함



AI를 활용한 초ㆍ중등교육은 주로 초등학교와중학교 학생들의 교과 학습을 위해 AI를 개발하고 이에 대한 교육적 효과를 조사하였다(Table 4 참조). 교사를 포함한 연구는 8편이 있었는데, 이중 6편의 논문은 학생과 교사를 모두 연구대상에 포함한 경우로 중복으로 코딩된 사례였다. 교사를 포함한 연구는 교사가 모둠학습을 효율적으로 수행하기 위해 AI를 활용한 연구(Gerard, Kidron, & Linn, 2019; Schwarz et al., 2018; VanLehn et al., 2019)와 맞춤형 수업을 위해 AI가 제공하는 학생 개인의 학습 정보를 사용한 연구(Connor, 2019; Faber, Luyten, & Visscher, 2017; Phillips, Pane, Reumann-Moore, & Shenbanjo, 2020; You, Li, Xiao, & Liu, 2019)가주를 이루었다.

Table 4 Distribution of research participants

초등학교중학교고등학교
학생22227
교사422


초ㆍ중등교육에 AI를 활용한 연구를 연구방법에 따라 분류한 결과는 Table 5와 같다. 전체적으로 양적 연구방법을 사용한 연구가 대다수(약85%)였고, 질적연구는 약 5%에 불과했다. 양적연구방법을 사용한 연구는 주로 서로 다른 AI 기반 교육시스템(약 40%) 또는 AI 기반 학습과전통적인 교실 수업(약 33%)이 학생의 인지적· 정의적 영역에 미치는 차이를 정량적으로 비교하였다. 예를 들어, Grawemeyer et al.(2017)은 학생의 문제해결 결과에 기반해서 피드백을 제공하는 ITS와 학생의 감정 상태까지 고려하여 피드백을 제공하는 ITS가 학생의 분수 학습에 미치는 영향을 비교하였다. 또한, Gonzalez-Calero et al.(2015)Ryoo & Linn(2016)은 ITS 환경에서 문제해결에 직접적인 절차를 제공하는 피드백과 반성적 사고를 유도하는 피드백의 교육적

Table 5 Distribution of research methods

양적 연구질적 연구혼합 연구
4335


효과를 비교ㆍ분석하였다. 반면, Pai, Kuo, Liao, & Liu(2020)는 곱셈과 나눗셈 학습을 위한 대화형 ITS와 교사의 교실 수업의 효과를 정량적으로 비교하였다. 질적 연구방법을 사용한 연구는모두 교사를 대상으로 이루어졌으며, 수업 관찰과 면담을 통해 ITS를 통합한 개별화 수업 구현방식(Phillips et al., 2020)과 모둠학습에서 ITS 활용의 효과(Schwarz et al., 2018)에 관한 분석을 진행하였다.

AI 기술을 사용한 교육플랫폼의 유형과 해당플랫폼을 구현하기 위해 사용된 하드웨어는 Table 6과 같다. 다수의 연구에서는 컴퓨터를 통해 학습이 이루어졌고, 학생 개인의 특성에 단계별 교수와 피드백이 제공되는 단계형 ITS를 사용하였다. 보통 맞춤형 피드백은 성취 수준이 정의된 기준에 만족하지 못하였거나 오답을 제출하였을 때 제공되었고, 특정 ITS는 학생의 감정상태(Bringula et al., 2018; Cabestrero et al., 2018; Grawemeyer et al., 2017; Rajendran et al., 2018), 문항의 난도(Reinhold et al., 2020), 답변 제출 시간(Rajendran et al., 2018), 학습 참여(Huang, Chang, Chen, Tseng, & Chien, 2016)를 고려하여피드백을 제공하도록 설계되었다. 또한, 학습 과제와 활동을 개인별 맞춤형으로 제공하기 위해 학생의 인지적 수준에 관한 변인과 더불어 학습 유형(Kurilovas et al., 2015; Wongwatkit, Srisawasdi, Hwang, & Panjaburee, 2017)을 중요한변인으로 통합한 ITS도 있었다.

Table 6 Type of AI systems in education and hardware used to implement it

하드웨어
컴퓨터태블릿로봇
시스템단계형 ITS3433
대화형 ITS301
협력학습 시스템310
유러닝020
AR010


대화형 ITS는 자연어처리, 음성인식, 의미분석등의 AI 기술을 사용하여 학생과 대화(글 또는음성)하는 방식으로 학습이 진행되도록 ITS를 설계하였다(Chen, Park, & Breazeal, 2020; Cole et al., 2018; Jackson, Castellano, Brockway, & Lehman, 2018; Pai et al., 2020). 이는 학습의 몰입과 참여를 높이기 위해 ‘인간처럼 행동하는시스템’ 구현을 목적으로 설계된 ITS라 할 수 있다(Russell & Norvig, 2016). 협력학습 시스템은 교사가 모둠학습을 효율적으로 수행하기 위해 모둠의 학습 활동 정보를 교사에게 실시간으로 제공하거나(Gerard et al., 2019; Schwarz et al., 2018; VanLehn et al., 2019) 협력적 문제해결을 돕기 위해 모둠원의 개별적 역할과 책임을 할당하는 방식으로 설계되었다(Olsen et al., 2019). 그외, Li, Chiu, & Tseng(2019)Yin, Chuang, & Hwang(2016)은 과학 현장학습에서 학생의 학습유형과 상황적 맥락을 실시간으로 파악하여 효과적인 학습 순서를 안내하는 유러닝(Ubiquitous learning) 시스템을 사용하였고, Ibanez, Di-Serio, Villaran-Molina, & Delgado-Kloos(2015)는 학생의 지식에 기반하여 학습활동을 제안하는 증강현실(AR) 기술을 과학 개념 학습을 위해 사용하였다.

AI 기반 교육연구에서 교사와 AI 시스템이 수행한 역할을 분석한 결과 교사가 배제되거나 교사의 역할이 명시적으로 기술되지 않은 상태에서 학생과 AI 시스템의 상호작용을 조사한 연구가 전체의 45%로 가장 높은 비중을 차지했다(Table 7 참조). 또한, 수업 현장에 교사가 존재하더라도 교사는 AI 시스템이 주도하는 맞춤형수업을 관찰하면서 기술적인 문제에 대응하거나(Dolenc & Abersek, 2015; Ibanez et al., 2015; Pai et al., 2020; Ryoo & Linn, 2016) AI를 활용하여 교육적 효과를 검토하기 전 기본적인 교과 개념에 관한 교수활동을 제공(Bernacki & Walkington, 2018; Huang et al., 2016; Long & Aleven, 2017)하는 등의 보조적인 역할을 수행하였다. 예를 들어, Pai et al.(2020)은 ITS를 활용한 수학수업과 전통적인 수학 수업의 교육적 효과를 비교하였는데, ITS를 활용한 수업에서 교사는 학습 활동에 개입하지 않았고 학생들이 컴퓨터 작동에서 기계적인 문제가 생길 때 이를 해결하는 역할만 수행하였다.

Table 7 Teacher role in AI-integrated education

교사의 역할AI의 역할빈도
맞춤형 수업 진행학생 정보 제공8
학습 보조맞춤형 수업 진행20
배제 또는 명시되지 않음23


반대로 8편의 논문에서 교사는 AI가 제공하는학생 정보를 통해 맞춤형 수업을 주도적으로 진행하였고 이에 긍정적인 결과를 보고하였다(Faber et al., 2017; Gerard et al., 2019; Schwarz et al., 2018; You et al., 2019). 예를 들어, You et al.(2019)의 연구에서는 AI 시스템이 제공하는 개별 학생의 학습 분석 자료를 통해 교사의 도움이 필요한 학생들에게 맞춤형 수업을 제공하였고, Schwarz et al.(2018)은 AI 시스템이 제공하는 실시간 모둠 학습상태에 관한 정보를 활용하여 한 명의 교사가 다수의 모둠에게 맞춤형 피드백을 제공할 수 있음을 보고하였다. 그러나 교사가AI를 활용한 수업 설계에서 나타난 한계점도 보고되었는데(Phillips et al., 2020; VanLehn et al., 2019), 예를 들어 VanLehn et al.(2019)에 따르면 대부분의 교사들은 ITS를 활용한 맞춤형 수학수업의 필요성을 인지했지만 학기말 시험 대비 등의 현실적 이유로 AI를 통합한 수업 구현에어려움을 호소했다.

2. 수학교육에서 AI 활용 사례

가. 단계형 ITS의 작동방식과 맞춤형 피드백

수학 교수ㆍ학습을 위해 설계된 단계형 ITS의전반적인 작동방식(알고리즘)은 아래 두 편에 논문에서 자세히 나타났다. Wongwatkit et al.(2017)은 사전검사로부터 분석된 학생의 학습 수준과 학습 유형에 따라 맞춤형 수업과 피드백을 제공하는 단계형 ITS를 설계하였다(Figure 3 참조). 먼저 ‘원의 넓이’ 개념에 관한 사전검사를 통해개별 학생의 맞춤형 학습경로(예를 들어, 단원 1: 원의 구성 요소 → 단원 2: 원의 넓이 → 단원3: 원의 넓이 공식 → 단원 4: 원의 넓이 계산)가 결정된다. 또한, 개별 학생의 학습 유형(시각적 유형 또는 언어적 유형)을 파악하여 이에 맞는 학습 자료가 제공된다.

Figure 3.Algorithm for developing an ITS(Wongwatkit et al., 2017, p. 893)

학생들은 ITS로부터 각 단원에 대한 수업을 받게 되고 수업이 끝나면 문제은행으로부터 임의로 추출된 5개의 문항으로 평가를 받는다. 평가 결과 학생의 수준이 만족할만한 수준이면 다음 단원에 관한 평가가 이루어지고, 그렇지 않으면 문제은행에 남아있는 문항의 여부에 따라 맞춤형 힌트와 보충자료를 통해 추가학습이 진행된다. 이러한 과정은 모든 단원의 학습이 만족할수준으로 완료될 때까지 반복된다.

위와 유사한 방식으로 Wu et al.(2017)Figure 4의 절차에 따라 분수 학습을 위한 단계형 ITS를 설계하였다. 이를 위해 Wu et al.은 전문가 집단으로부터 분수의 덧셈과 뺄셈에 관한 18개의 개념과 개념 사이의 위계 관계를 정의하고 각 개념에 대한 선다형 문항을 제작했다. 선다형 문항의 보기 중 오답은 학생들의 오개념이 기반하여 선택되었고 학생들이 오답을 제출할 경우 해당 오개념에 기반한 피드백이 제공된다. Wongwatkit et al.(2017)의 ITS와 차이점은 주어진 문항에 연속적으로 오답을 제출할 경우 단계적인 피드백이 제공된다는 것이다. 간단한 예로, 동치분수를 구하는 문제 45=()40에서 한 학생이 지속적으로 분자의 값이 8이라고 주장하는 경우 아래와 같은 피드백이 세 단계에 걸쳐 제공된다.

Figure 4.Algorithm for developing an ITS(Wu et al., 2017, p. 65)
  • 1단계: 틀렸어! 네가 말한 답은 40÷5=8 이야. 동치분수를 구한다는 것은 무엇일까?

  • 2단계: 틀렸어! 주어진 문제에서 분모는 5×8=40 이 되었어. 그렇다면 동치분수를 만들기 위해 분자의 값은 어떻게 될까?

  • 3단계: 동치분수를 구하는 방법 중 하나는 분자와 분모에 같은 수를 곱하는 거야. 왜냐하면 분자와 분모에 같은 수를 곱해도 분수의 값은변하지 않기 때문이야. 따라서 분자와 분모에 8을 곱하면 45=4×85×8=3240이 되므로 분자는 32가 돼.

다시 말해, 1단계에서는 직접적이지 않은 일반적 피드백을 제공하고, 2단계에서는 보다 구체적인 피드백을 제공하고, 3단계에서는 개념 설명과직접적인 풀이 과정이 제공되는 방식으로 다양한 개념에 관한 수업이 반복적으로 진행된다(Wu et al., 2017).

ITS의 작동방식은 다양하게 설계되므로Figures 34에 소개된 원리를 일반화할 수 없다. 예를 들어, Bernacki & Walkington(2018)이 사용한 대수 학습을 위한 ITS는 각 문항에 관한맥락이 개별 학생의 흥미6)에 맞게 자동으로 변경되어 제공되는 것이 특징이다. 이때 문항의 본질과 수학적 구조는 유지된 상태에서 맥락만이 변경된다. Table 8은 게임에 흥미가 있는 한 학생에게 제공된 맞춤형 문항의 예이다.

Table 8 An example of personalized story problem(Bernacki & Walkington, 2018, p. 869)

기존 문항맞춤형 문항
우주 왕복선에서 크롤러라는 기계는 초속 2.9피트로 움직인다. 크롤러는 현재 지점에서 100피트 떨어진 발사대로 이동 중이다.자동차 게임에서 초당 2.9피트로 달리는 차가 있다. 이 차는 시작 지점에서 100피트 떨어진 결승선을 향해 달리고 있다.


Kautzmann & Jaques(2019)는 일차방정식 학습에서 학생의 메타인지 능력을 향상시키기 위한 ITS(PAT2Math)를 설계하고 이를 피드백/힌트만을 제공하는 전통적인 ITS와 비교하였다. PAT2Math는 학습자 자신의 지식에 관한 메타적평가와 실제 문제해결 능력을 기반으로 지식 모니터링 평가(knowledge monitoring assessment, 이하 KMA) 능력을 지표화한다. 그리고 KMA 지표에 따라 아래의 4단계의 피드백을 제공한다.

  • 1단계: 현재 문제에 대해 자신이 가지고 있는지식을 생각하도록 하는 질문

  • 2단계: 이전 문제에서 자신이 사용했던 지식에대해 생각하도록 하는 질문(Figure 5 참조)

    Figure 5.A prompt used to improve students’ metacognitive knowledge monitoring ability(Kautzmann & Jaques, 2019, p. 97)
  • 3단계: 현재 문제와 유사한 문제를 풀었던 경험이 있는지 생각하도록 하는 질문

  • 4단계: 이전 문제에 자신이 사용했던 유사한문제해결 과정을 보여주는 단계

해당 피드백은 KMA 지표가 일정 수준보다 낮은 학생에게만 제공되며, 문제를 완료할 때마다학생의 KMA 지표는 새롭게 수정되어 학습자 모델에 저장된다. 연구 결과, PAT2Math는 학생들의 메타인지 능력뿐만 아니라 일차방정식 문제해결 능력에도 긍정적인 영향을 주는 것으로 나타났다(Kautzmann & Jaques, 2019).

수학교육 맥락에서 AI를 활용한 연구 중 3편의 논문은 학생에게 제공하는 정서적ㆍ감정적 피드백 사용의 효과에 주목하였다. Rajendran et al.(2018)은 중학교 학생들이 분수 학습에서 좌절감을 느끼는 순간과 이유를 식별하여 학습 동기를 부여하기 위한 ITS(Mindspark)를 개발하고자하였다. 이를 위해 제시된 문항에 관한 정답 유무, 문항 난도, 문제해결을 위해 소요된 시간에관한 변인이 사용되었다. Rajendran et al.은 학생이 느끼는 좌절감을 문제해결에 실패한 경우로조작적으로 정의하였고, 학생이 주어진 문제에오답을 제출하였을 때 자동적인 피드백이 제공되도록 ITS를 설계하였다. 예를 들어, 한 학생이주어진 문항에서 오답을 제출하였다고 가정하자. Mindspark는 이 학생이 답안을 제출하는데 소요된 시간, 문항 난도, 직전 문항들에 대한 정답유무를 분석한다. 만약 해당 문항의 난도가 평이했고 학생이 직전 2개의 문항에서 모두 정답을제출하였음에도 불구하고 문항을 해결하는데 소요된 시간이 다른 학생들의 평균 제출 시간보다길었다면 다음과 같은 피드백이 제공된다.

너는 지금 주어진 문제 이전에 2개의 문제를아주 잘 풀었어. 그리고 이 문제 역시 해결하기위해 노력했어. 그래서 나는 네가 다음 문제들을 충분히 풀 수 있을 거라 확신해.

만약에 두 번째 시도에서도 오답을 제출한 경우 Mindspark는 오직 문제의 난도에 기반하여피드백을 제공한다. 만약 문제의 난도가 높은 경우, “걱정마, 이 문제는 다른 친구들에게도 어려운 문제야. 다시 도전해봐도 돼”와 같은 피드백이 제공되고 문제의 난도가 평이한 경우 Figure 6과 같은 피드백이 제공된다. 만약 세 번째 시도에서도 오답을 제출한 경우 Mindspark는 주어진문항에 대해 학생의 주관적 의견을 제출할 것을요구한다(Rajendran et al., 2018).

Figure 6.A motivational message provided by Mindspark(Rajendran et al., 2018, p. 93)

Rajendran et al.(2018)과 유사하게 Bringula et al.(2018)도 정서적ㆍ감정적 피드백을 제공하는것에 주목하였다. Bringula et al.은 대수 학습에서 학생의 답안에 따라 서로 다른 표정과 함께 피드백을 제공하는 ITS 상의 에이전트(PIA)를 설계하고 에이전트 사용이 학생의 수학적 성취에 미치는 영향을 조사하였다. Figure 7(좌측)에서볼 수 있듯이 PIA는 학생의 문제해결 과정이 옳으면 웃는 표정과 함께 격려의 피드백을 제공하고 학생의 답안이 틀리면 슬픈 표정과 함께 힌트를 제공한다. 또한, 학생이 3번의 연속적인 문제해결 단계에서 올바른 답을 입력한 뒤 오답을 제출하면 놀란 표정과 함께 힌트를 제공한다 (Figure 7의 우측 참조).

Figure 7.A happy and surprise facial expression(Bringula et al., 2018, p. 710)

마지막으로 Grawemeyer et al.(2017)는 베이지안(Bayesian)과 기계학습 기법을 사용하여 학생의 감정 상태를 보다 정밀하게 추론하고 이에 기반하여 피드백을 제공하는 분수 학습 ITS (iTalk2Learn)를 개발하였다. 피드백은 감정 분석단계(analysis), 피드백의 유형 추론 단계(reasoning), 피드백 생성 단계(feedback)를 거쳐제공된다. 먼저, 학생의 감정 분석단계에서는 음성인식 기술을 사용하여 특정 감정 상태와 연관된 핵심어(예를 들어, “내 생각에 이 문제는 쉬워”라는 학생의 말에서 “쉬워”를 핵심어로 인식)를 식별하고 “음...” 또는 말 중단(pauses)과 같은운율 요소(prosodic features)를 분석한다. 또한, 학생이 ITS와 상호작용에서 요구한 피드백과 문제 해결에서 피드백의 사용 여부를 분석하여 학생의 감정 상태를 몰입(in flow), 좌절, 지루함, 혼란, 놀람으로 분류한다. 추론단계에서는 앞서 식별된 학생의 감정 상태와 피드백 사용 방식을 베이지안 추론을 통해 분석하여 피드백의 유형을 결정한다(Table 9 참조). 마지막으로, 피드백생성 단계에서는 학생의 감정 상태와 ITS와의상호작용에 기반하여 피드백의 전달 방식을 팝업(pop-up)창과 같이 직접적으로 제공할지 또는 간접적으로 제공(예를 들어, 힌트 전구가 깜빡거림)할지를 결정한다.

Table 9 Examples of feedback types(Grawemeyer et al., 2017, p. 15)

피드백 유형예제
동기 부여잘했어. 넌 정말 열심히 하구나!
확신 제공훌륭해. 다음 과제를 해보자.
지시적 피드백분수를 비교하기 위해 비교 상자를 사용해봐.
다른 문제해결 피드백분수를 완성하려면 이제 무엇을 해야 할까?
반성적 피드백이 분수에서 무엇을 알아챘니?
설명 요구네가 한 것을 설명해줘.
과제 순서 확인이 문제를 정말 끝낸 것이 확실해? 문제를 다시 한번 읽어봐.


나. 대화형 ITS

수학교육 맥락에서 대화형 ITS가 사용된 논문은 Pai et al.(2020)에 의해 수행된 연구가 유일했다. Pai et al.은 대만의 초등학교 학생에게 시간(시, 분, 초)의 맥락에서 곱셈과 나눗셈을 가르치기 위한 대화형 ITS를 개발했다. 이를 위해 총 7개의 개념이 적용된 10개의 문항, 개념 간의 위계(예를 들어, 개념 1은 개념 2의 학습을 위한사전지식), 모범답안, 예측되는 답안, 오개념을도메인 모델에 포함하였다. 학생이 제출한 답안은 사전에 입력된 모범답안과 비교를 통해서 평가되고 이에 대한 맞춤형 피드백이 제공된다. 다음은 해당 ITS에서 학생과 ITS가 상호작용하는 사례이다(Pai et al., 2020, p. 7).

ITS(질문): 재단사가 드레스 한 벌을 만들기 위해 하루 4시간 20분씩 7일이 소요된다. 재단사가 4일 안에 드레스 한 벌을 만들려면 하루 몇 시간 몇 분씩 일해야 하는가?

학생: 4시간 20분 × 7 = 30시간 20분 = 1820분 ITS(Pump): 잘했어! 너는 드레스 한 벌을 제작 하는 데 1820분이 소요된다고 계산했구나! 이제 무엇을 해야 할까?

학생: 1820분 = 454분

ITS(힌트): 1820분은 드레스를 만드는 데 소요되는 총 시간이고, 우리는 4일 안에 만들어야 해. 매일 얼마나 많은 시간을 일해야 하는지 알기 위해서는 우리는 총 시간을 4로 나누어야 해. 여기서 사용할 수있는 수학적 표현은 무엇이 있을까?

학생: 나눗셈

ITS(질문): 잘했어! 다시 해보자. 문제는 재단사가 4일 안에 드레스를 만들기 위해서는 하루에 몇 시간 일해야 하는지야.

학생: 1820분 ÷ 4 = 455분

455분 = 7시간 35분

ITS(요약): 잘했어. 훌륭해! 이런 유형의 문제는 곱셈을 사용해서 7일 동안의 총 시간을 계산하고, 나눗셈을 사용하여 4일간 필요한 시간을 계산해서 해결하면 돼.

다. 협력학습 시스템

VanLehn et al.(2019)은 수학 모둠학습에서 한명의 교사가 여러 모둠의 학습 과정을 평가하는 것을 돕기 위해 AI 기반 협력학습 시스템인FACT을 설계하였다. FACT에서 각 모둠의 학생들은 태블릿을 사용하여 하나의 수학 포스터를 만들고 이를 동시에 수정하면서 수학 개념 학습에 참여한다. 교사는 자신의 태블릿을 사용하여개별 학생들의 학습을 관찰할 수 있으며, 학생들의 학습 진행 상태, 공통 오개념, 특정 모둠 방문 알림(alerts) 등에 관한 정보를 즉각적으로 받을 수 있다(Figure 8 참조). FACT는 교사의 모둠학습과 평가를 돕기 위해 결과 탐지(product detectors)와 과정 탐지(process detectors) 기능을 제공한다. 결과 탐지 기능은 모둠의 산출물(포스터)을 기대된 결과(모범답안)와 비교하여 학습결과를 평가하는 것을 의미한다. 과정 탐지 기능은 예를 들어 모둠 내 한 학생이 모든 과제를 혼자 해결할 때 또는 모둠 활동이 이루어지지 않고 모둠 내 학생들이 동시에 다른 과제를 수행할 때 교사에게 알림을 제공하여 모둠 방문을 유도하는 식으로 작동하면서 교사의 효과적인 모둠수업을 지원한다(VanLehn et al., 2019).

Figure 8.Teacher’s dashboard(VanLehn et al., 2019, p. 5)

비슷한 맥락에서 Schwarz et al.(2018)은 Geogebra 프로그램을 활용한 모둠학습에서 중요한 순간(critical moments)을 식별하여 교사의 태블릿을 통해 실시간으로 알려주는 협력학습 시스템인 SAGLET을 개발하였다. 교사는 SAGLET에서 개별 모둠의 학습을 실시간으로 관찰할 수 있고, 특정 모둠이 컴퓨터 사용에 관한 기술적문제가 있는지, 아무런 활동을 하고 있지 않은지, 주제에 벗어난 대화를 하고 있는지, 정답 또는 오답을 제출하였는지, 문제해결에 어려움에느끼는지, 질문이 있는지 등의 알림을 받는다(Figure 9 참조). 교사는 알림을 사용하여 모둠별맞춤형 피드백을 제공할 수 있다.

Figure 9.Teacher’s dashboard(Schwarz et al., 2018, p. 196)

이상에서 살펴본 바와 같이 수학교육에서 AI는 주로 학생의 학습 과정에 따라 맞춤형 수업(개인이든 모둠이든)을 제공하기 위해 설계되었다는 점에서 기존의 컴퓨터 기반 학습시스템과는 차별된다. 그러나 이러한 AI 기반 맞춤형 수업은 절차적이고 전형적인 문제 풀이를 위한 방식으로 구현되는 경향이 있었다. 또한, 학생의학습 동기와 흥미를 유발하기 위해 다양한 감정적 피드백을 제공하는 ITS가 개발되고 있었지만, 정서적ㆍ사회적 상호작용에 기반한 수업 구현에는 여전히 한계를 가지고 있었다.

본 연구는 2015년부터 2020년까지 초ㆍ중등교육에서 AI를 사용한 국외 논문을 체계적으로 분석하고 수학교육 맥락에서 AI가 구현되는 구체적인 사례를 소개함으로써 AI를 활용한 교육의 의미와 방향을 이해하고 미래 (수학)교육 연구를위한 토대를 마련하고자 하였다. 본 연구의 주요결과는 다음과 같다. 먼저, 초ㆍ중등교육에서 AI는 수학, 언어, 과학 교과를 위주로 활용되고 있었고, 수학 교과 맥락에서 가장 빈번하게 활용되었다. 이는 수학이 기초적인 수준에서 잘 구조화 되어 있고, 명확한 답을 가지며, 개념 간의 학습위계가 뚜렷한 학문적 특성에 기인한다고 볼 수 있다(Holmes et al., 2019). 특히, 다수의 AI 관련 수학교육 연구가 일차방정식과 분수 개념 학습을 목적으로 진행되고 있다는 점이 이를 뒷받침한다. 초ㆍ중등교육에서 AI 연구는 주로 미국과대만이 주도적으로 수행하고 있었고 우리나라 연구가 해외에 보고된 사례는 Choi(2016)가 유일했다. 연구대상은 주로 초등학교와 중학교 학생을 대상으로 이루어졌고, 고등학교 학생과 교사에 관한 연구는 상대적으로 미흡했다. 이는 교육에서 AI와 관련 연구가 주로 초등학교와 중학교에서 다루는 기초 개념 학습을 위주로 개발되고 있음을 시사한다. 선행연구의 대부분은 양적연구방법을 사용하여 AI 활용의 교육적 효과를 집단간 비교를 통해 정량적으로 분석하였으며, 질적연구 방법은 6% 미만으로 나타났다. AI 교육시스템은 주로 단계별 교수와 맞춤형 피드백을 제공하는 단계형 ITS의 형태로 구현되었고, AI를활용한 수업에서 교사는 주도적인 역할을 하지 못하였다. 연구 결과를 토대로 AI를 활용한 미래초ㆍ중등교육에 관한 시사점을 제언하면 다음과 같다.

첫째, AI에 기반한 교수ㆍ학습시스템의 개발과연구의 필요성이 제기된다. 2018년에 발표된 국가별 AI 전략 추진 현황 보고에 따르면, 우리나라는 AI 연구와 산업 그리고 AI 핵심인재 유치에 국가적 전략과 투자가 집중되어있고 미래 교육에 대한 전략은 매우 취약한 것으로 나타났다(Dutton, Barron, & Boskovic, 2018). 본 연구에서도 우리나라 초ㆍ중등교육에서 AI를 적용한 사례는 거의 보고되지 않았다. 고등교육 맥락에서수행된 선행연구를 살펴봐도 결과는 다르지 않다. Zawacki-Richter et al.(2019)은 2007년부터2018년까지 고등교육에서 AI를 활용한 146편의 논문을 분석하였는데 우리나라 고등교육에서 AI를 활용한 연구는 한 편도 보고되지 않았다. 2019년 후반기 우리나라 정부는 AI 교육과 관련된 국가전략을 발표하였다(Ministry of Education, 2019 Ministry of Science & ICT, 2019). 따라서교육에서 AI 활용과 관련된 투자와 관심이 차츰높아질 것으로 생각된다. ITS 개발의 측면에서 살펴보면, 현재 해외에서 보고된 대부분의 ITS가단계형 ITS의 형태로 개발되었다는 점에 주목할필요가 있다. Soofi & Ahmed(2019)의 연구에 따르면, 2014년부터 2018년까지 개발된 ITS는Figures 34와 같이 주로 규칙 기반(rule-based) 알고리즘에 의해 설계되었고 데이터 마이닝과 인공신경망과 같은 기계학습과 딥러닝(deep learning)의 사용은 상대적으로 낮은 것으로 나타났다. 따라서 단순한 알고리즘을 사용하여 절차적 문제풀이식 학습을 제공하는 ITS를 넘어 대화형 ITS와 같은 학생의 생각을 가시적으로 드러낼수 있는 보완된 형태의 ITS 개발이 기대된다.

둘째, 교육 현장에서 ITS와 협력학습 시스템이효과적으로 활용될 수 있도록 AI 활용을 위한 지침과 교사교육의 필요성이 요구된다. 앞에서살펴본 Schwarz et al.(2018)VanLehn et al.(2019)의 협력학습 시스템은 면대면 또는 비대면 교육에서도 협력학습을 통한 수학 수업의 가능성을 보여주었다. 또한, Holmes et al.(2019)은AI 교수 시스템이 블렌디드 학습(blended learning) 또는 거꾸로 학습(flipped learning)에 활용되었을 때 효과적이라고 하였다. 이는 온라인기반 AI 시스템에서 학생의 활동이 로그 데이터(log data)로 기록된다는 점에서 교사는 학생의 온라인 학습 활동에 관한 정보를 얻을 수 있고 이에 대한 피드백과 면대면 수업에 활용할 수 있기 때문이다. 따라서 비대면 교육의 한계로 지적되는 학생의 낮은 수업 참여를 어느 정도 해소할 수 있을 것으로 생각된다. 그러나 새로운 교수법의 활용은 언제나 교사에게 부담으로 작용한다. 특히 경험 해보지 못한 AI 기반 시스템을 활용하는 것은 교사에게 큰 부담과 압박이 될 수 있다. 이를 위해 AI 교육시스템에 관한 현직및 예비교사의 인식조사가 선행되어야 할 것이다. 이를 토대로 예비교사 교육과 현직교사 재교육에서 AI 시스템 활용에 관한 교육을 점진적으로 진행하고, 교사가 이를 학교 현장에 효과적으로 통합할 수 있는 지침을 마련할 필요가 있다.

셋째, AI를 활용한 교육에서 교사의 역할에 관한 논의가 요구된다. 앞서 논의하였듯이 AI를 활용한 초ㆍ중등교육에서 교사는 교육 현장에 존재하지 않거나 보조적인 역할을 수행하는 것으로 나타났다. 이는 마치 교사의 역할이 AI로 대체 가능하다는 오해를 불러일으킬 수 있다. 그러나 Holmes et al.(2019)은 AI가 교사를 대신하여독자적인 교육을 수행할 수 있다고 보지 않는다.오히려 교사는 AI를 보조도구로 활용하여 교수의 질을 높이는 데 사용하면서 상호보완적인 관계를 맺을 필요가 있다(Kim, Park, Jeong, & Ko, 2018). 미래에 AI로 대체될 직종을 소개하는 많은 보고서에서 교사는 대체되기 어려운 직종으로 분류된다(예를 들어, Frey & Osborne, 2017). 이는 학생과의 관계 형성과 상호작용을 통한 감정적ㆍ정서적 교류(Kim et al., 2018)뿐만 아니라 정형화되지 않은 문제해결에서 교사의 전문가적 역할에 대한 기대가 내재되어 있기 때문이다. 그러나 교사의 역할을 정형화된 교과 지식 전달로 제한한다면 상황은 달라진다. 본 연구에서 살펴보았듯이 현재 개발된 ITS는 개별 학생의 특성에 따라 교과 문제를 절차적으로 해결하는 방법과 맞춤형 피드백을 효과적으로 제공하도록 훈련되어있기 때문이다. 따라서 AI 시대의 교사는AI를 통해 분석된 개별 학생, 모둠, 학급 전체의 데이터를 수업 설계에 활용하여 학생들의 요구에 맞는 높은 질의 수업을 구현해야 하며(You et al., 2019), 학생과의 정서적ㆍ사회적 상호작용에서 그들의 역량을 발휘해야 한다. 나아가 교사는 지식을 전달하는 역할이 아닌 학생의 문제해결 능력과 창의적 사고를 발달시킬 수 있는 역할이 요구되며 이를 위해 교사 교육자의 노력이 선행되어야 할 것이다.

넷째, 초ㆍ중등교육에서 AI 관련 연구의 대상과 연구 방법의 다양성이 요구된다. 본 연구에서는 선행연구의 대부분이 초등학교와 중학교 학생을 대상으로 정량적으로 이루어졌다는 점을 확인하였다. Xie et al.(2019)은 2007년 부터 2017년까지 수행된 맞춤형 학습에 관한 연구를 종합적으로 분석한 결과 연구의 90%는 ITS와 같은맞춤형 학습이 학생의 인지적 영역에 긍정적인 영향을 주는 것으로 보고하였고, 정의적 영역에 긍정적인 영향을 준다고 보고한 연구는 96%에달했다. 이는 ITS가 학생의 인지적ㆍ정의적 영역에 가져다주는 영향이 크다고 해석할 수 있지만, 편향된 연구 방법의 사용은 연구 결과의 신뢰성을 낮출 수 있다. 후속 연구에서는 정성적 연구와 정량적 연구 방법의 균형 있는 사용을 통해 AI 교육시스템이 학생의 인지적ㆍ정의적 영역에미치는 영향을 보다 심도 있게 검토할 필요가 있다.

본 연구는 초ㆍ중등교육에서 AI 활용 사례를종합적으로 분석함으로써 현재 진행되고 있는 AI 교육에 관한 전반적인 이해를 제공했다는 점에서 연구의 의의가 있다. AI를 초ㆍ중등교육에 바람직한 방향으로 통합하기 위해서는 교육학자와 컴퓨터 과학자와의 공동의 노력이 요구되며, AI가 가져다주는 교육적 요소를 효과적으로 활용할 수 있는 방안이 지속적으로 논의 되어야 할 것이다.

1) This research was supported by Basic Science Research Program through the National Research Foundation of Korea(NRF) funded by the Ministry of Education(NRF-2020R1I1A1A01072637)

2) 사실 AI라는 용어는 1956년 미국의 Dartmouth 대학에서 열린 학회에서 인지과학자 John McCarthy에 의해 처음 사용되었던 만큼 오랜 역사를 가지고 있다(Russell & Norvig, 2016).

3) 이러한 형태의 실험은 1950년 Alan Turing이 고안한 방법으로, 특정 시스템이 인간과 같은 지능적 행동을 할 수 있는지를 검사하는 데 사용되었다. 현재 튜링 테스트(Turing Test)라고 불린다.

4) 1997년 이후 학술지명이 으로 변경됨.

5) www.webofknowledge.com

6) 사전 설문조사에서 학생들은 주어진 10개의 영역(음악, 예술, 휴대폰, 음식, 컴퓨터, 게임, 상점, TV, 영화, 스포츠) 중 관심 영역에 대해 답하였다(Bernacki & Walkington, 2018).

  1. Alfaro, L., et al (2020). A review of intelligent tutorial systems in computer and web based education. International Journal of Advanced Computer Science and Applications. 11(2), 755-763.
    CrossRef
  2. Baker, T. & Smith, L. (2019). Educ-AI-tion rebooted? Exploring the future of artificial intelligence in schools and colleges. https://media.nesta.org.uk/documents/Future_of_AI_and_education_v5_WEB.pdf [2020.06.28].
  3. Bernacki, M. L. & Walkington, C. (2018). The role of situational interest in personalized learning. Journal of Educational Psychology. 110(6), 864-881.
    CrossRef
  4. Bringula, R. P., Fosgate Jr, I. C. O., Garcia, N. P. R. & Yorobe, J. L. M. (2018). Effects of pedagogical agents on students’ mathematics performance: A comparison between two versions. Journal of Educational Computing Research. 56(5), 701-722.
    CrossRef
  5. Cabestrero, R., et al (2018). Some insights into the impact of affective information when delivering feedback to students. Behaviour & Information Technology. 37(12), 1252-1263.
    CrossRef
  6. Chassignol, M., Khoroshavin, A., Klimova, A. & Bilyatdinova, A. (2018). Artificial Intelligence trends in education: a narrative overview. Procedia Computer Science. 136, 16-24.
    CrossRef
  7. Chen, H., Park, H. W. & Breazeal, C. (2020). Teaching and learning with children: Impact of reciprocal peer learning with a social robot on children’s learning and emotive engagement. Computers & Education. 150, 103836.
  8. Choi, I. C. (2016). Efficacy of an ICALL tutoring system and process-oriented corrective feedback. Computer Assisted Language Learning. 29(2), 334-364.
    CrossRef
  9. Chung, J, Y. (2016). A study on the design of school system preparing for intelligence information society. Korean Journal of Educational Administration. 34(3), 49-71. 정제영(2016). 지능정보사회에 대비한 학교교육 시스템 재설계 연구. 교육행정학연구, 34, 49-71.
  10. Cole, R., et al (2018). One-on-one and small group conversations with an intelligent virtual science tutor. Computer Speech & Language. 50, 157-174.
    CrossRef
  11. Connor, C. M. (2019). Using technology and assessment to personalize instruction: Preventing reading problems. Prevention Science. 20(1), 89-99.
    Pubmed KoreaMed CrossRef
  12. Dolenc, K. & Aberšek, B. (2015). TECH8 intelligent and adaptive e-learning system: Integration into Technology and Science classrooms in lower secondary schools. Computers & Education. 82, 354-365.
    CrossRef
  13. Drigas, A. S. & Ioannidou, R. E. (2012). Artificial intelligence in special education: A decade review. International Journal of Engineering Education. 28(6), 1366-1372.
  14. Dutton, T., Barron, B. & Boskovic, G. (2018). Building an ai world: Report on national and regional ai strategies. https://www.cifar.ca/docs/default-source/ai-society/buildinganaiworld_eng.pdf [2020.07.06].
  15. Faber, J. M., Luyten, H. & Visscher, A. J. (2017). The effects of a digital formative assessment tool on mathematics achievement and student motivation: Results of a randomized experiment. Computers & Education. 106, 83-96.
    CrossRef
  16. Frey, C. B. & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change. 114, 254-280.
    CrossRef
  17. Gerard, L., Kidron, A. & Linn, M. C. (2019). Guiding collaborative revision of science explanations. International Journal of Computer-Supported Collaborative Learning. 14(3), 291-324.
    CrossRef
  18. González, Calero, J. A., Arnau, D., Puig, L. & Arevalillo-Herráez, M. (2015). Intensive scaffolding in an intelligent tutoring system for the learning of algebraic word problem solving. British Journal of Educational Technology. 46(6), 1189-1200.
    CrossRef
  19. Graesser, A. C., Conley, M. W. & Olney, A. M. (2012). Intelligent tutoring systems. In S. Graham, & K. Harris (Eds.),. APA educational psychology handbook. vol. 3. Applications to learning and teaching(pp. 451-473), DC.
  20. Grawemeyer, B., et al (2017). Affective learning: improving engagement and enhancing learning with affect-aware feedback. User Modeling and User-Adapted Interaction. 27(1), 119-158.
    CrossRef
  21. Hinojo-Lucena, F. J., et al (2019). Artificial intelligence in higher education: A bibliometric study on its impact in the scientific literature. Education Sciences. 9(1), 51.
    CrossRef
  22. Holmes, W., Bialik, M. & Fadel, C. (2019). Artificial intelligence in education. Boston: Center for Curriculum Redesign. 정제영, 이선복 공역(2020). 인공지능 시대의 미래교육. 서울: 박영스토리.
    CrossRef
  23. Huang, X., Craig, S. D., Xie, J., Graesser, A. & Hu, X. (2016). Intelligent tutoring systems work as a math gap reducer in 6th grade after-school program. Learning and Individual Differences. 47, 258-265.
    CrossRef
  24. Ibanez, M. B., Di-Serio, A., Villaran-Molina, D. & Delgado-Kloos, C. (2015). Support for augmented reality simulation systems: The effects of scaffolding on learning outcomes and behavior patterns. IEEE Transactions on Learning Technologies. 9(1), 46-56.
    CrossRef
  25. Jackson, G. T., Castellano, K. E., Brockway, D. & Lehman, B. (2018). Improving the measurement of cognitive skills through automated conversations. Journal of Research on Technology in Education. 50(3), 226-240.
    CrossRef
  26. Kang, D J., et al (2020). COVID19, woke up education in Koreaa. Seoul: Knowledge Smith. 강대중 외 16명(2020). 코로나19, 한국 교육의 잠을 깨우다. 서울: 지식공작소.
    CrossRef
  27. Kautzmann, T. R. & Jaques, P. A. (2019). Effects of adaptive training on metacognitive knowledge monitoring ability in computer-based learning. Computers & Education. 129, 92-105.
    CrossRef
  28. Kim, H. K., Park, C., Jeong, S. & Ko, H. K. (2018). A view on complementary relation of human teacher and AI teacher in future education,. Journal of Education & Culture. 24(6), 189-207. 김홍겸, 박창수, 정시훈, 고호경(2018). 미래 교육에서의 인간 교사와 인공지능 교사의 상 호보완적 관계에 대한 소고. 교육문화연구, 24(6), 189-207.
  29. Kim, W, S. (2017). A study on the recognition of freshman on computational thinking as essential course. Culture and Convergence. 39(6), 141-170. 김완섭(2017). 교양필수로서의 컴퓨팅적사고 과목에 대한 신입생들의 인식 연구: 숭실대학교 2017-1학기 수강자 설문조사를 중심으로. 문화와융합, 39(6), 141-170.
    CrossRef
  30. Kitchenham, B. & Charters, S. (2007). Guidelines for performing systematic literature reviews in software engineering (Version 2.3). Keele University and Durham University.
  31. Kurilovas, E., Zilinskiene, I. & Dagiene, V. (2015). Recommending suitable learning paths according to learners’ preferences: Experimental research results. Computers in Human Behavior. 51, 945-951.
    CrossRef
  32. Li, W., Chiu, C. K. & Tseng, J. C. (2019). Effects of a personalized navigation support approach on students’ context-aware ubiquitous learning performances. Journal of Educational Technology & Society. 22(2), 56-70.
  33. Long, Y. & Aleven, V. (2017). Educational game and intelligent tutoring system: A classroom study and comparative design analysis. ACM Transactions on Computer-Human Interaction. 24(3), 1-27.
  34. Luckin, R., Holmes, W., Griffiths, M. & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson Education, London.
  35. Ministry of Education (2019). Solution of ranking high school and the ways to strengthen the educational capacity of general high schools. Seoul: Author. 교육부(2019). 고교서열화 해소 및 일반고 교육역량 강화 방안. 서울: 저자.
  36. Ministry of Science & ICT (2019). National strategy for artificial intelligence. Seoul: Author. 과학기술정보통신부(2019). 인공지능(AI) 국가전략. 서울: 저자.
  37. Olsen, J. K., Rummel, N. & Aleven, V. (2019). It is not either or: An initial investigation into combining collaborative and individual learning using an ITS. International Journal of Computer-Supported Collaborative Learning. 14(3), 353-381.
    CrossRef
  38. Pai, K. C., Kuo, B. C., Liao, C. H. & Liu, Y.M. (2020). An application of Chinese dialogue-based intelligent tutoring system in remedial instruction for mathematics learning. Educational Psychology. Advance online publication.
    CrossRef
  39. Phillips, A., Pane, J. F., Reumann-Moore, R. & Shenbanjo, O. (2020). Implementing an adaptive intelligent tutoring system as an instructional supplement. Educational Technology Research and Development. Advance online publication.
    CrossRef
  40. Rajendran, R., Iyer, S. & Murthy, S. (2018). Personalized affective feedback to address students’ frustration in ITS. IEEE Transactions on Learning Technologies. 12(1), 87-97.
    CrossRef
  41. Reinhold, F., Hoch, S., Werner, B., Richter-Gebert, J. & Reiss, K. (2020). Learning fractions with and without educational technology: What matters for high-achieving and low-achieving students? Learning and Instruction. 65, 101264.
    CrossRef
  42. Russell, S, J. & Norvig, P. (2016). Artificial intelligence: A modern approach. New Jersey: Prentice Hall.
    CrossRef
  43. Ryoo, K. & Linn, M. C. (2016). Designing automated guidance for concept diagrams in inquiry instruction. Journal of Research in Science Teaching. 53(7), 1003-1035.
    CrossRef
  44. Schwarz, B. B., et al (2018). Orchestrating the emergence of conceptual learning: A case study in a geometry class. International Journal of Computer-Supported Collaborative Learning. 13(2), 189-211.
    CrossRef
  45. Soofi, A, A. & Ahmed, M, U. (2019). A systematic review of domains, techniques, delivery modes and validation methods for intelligent tutoring systems. International Journal of Advanced Computer Science and Applications. 10(3), 99-107.
    CrossRef
  46. Steenbergen-Hu, S. & Cooper, H. (2013). A meta- analysis of the effectiveness of intelligent tutoring systems on K-12 students’ mathematical learning. Journal of Educational Psychology. 105(4), 970-987.
  47. Tafazoli, D., María, E. G. & Abril, C. A. H. (2019). Intelligent language tutoring system: Integrating intelligent computer-assisted language learning into language education. International Journal of Information and Communication Technology Education. 15(3), 60-74.
  48. VanLehn, K., et al (2019). Interactive Learning Environments. Advance online publication.
  49. Weintrop, D., et al (2016). Defining computational thinking for mathematics and science classrooms. Journal of Science Education and Technology. 25(1), 127-147.
    CrossRef
  50. Wongwatkit, C., Srisawasdi, N., Hwang, G. J. & Panjaburee, P. (2017). Influence of an integrated learning diagnosis and formative assessment-based personalized web learning approach on students learning performances and perceptions. Interactive Learning Environments. 25(7), 889-903.
    CrossRef
  51. Wu, H. M., Kuo, B. C. & Wang, S. C. (2017). Computerized dynamic adaptive tests with immediately individualized feedback for primary school mathematics learning. Journal of Educational Technology & Society. 20(1), 61-72.
  52. Xie, H., Chu, H. C., Hwang, G. J. & Wang, C. C. (2019). Trends and development in technology-enhanced adaptive/personalized learning: A systematic review of journal publications from 2007 to 2017. Computers & Education. 140, 103599.
  53. Yin, P. Y., Chuang, K. H. & Hwang, G. J. (2016). Developing a context-aware ubiquitous learning system based on a hyper-heuristic approach by taking real-world constraints into account. Universal Access in the Information Society. 15(3), 315-328.
    CrossRef
  54. You, X., Li, M., Xiao, Y. & Liu, H. (2019). The feedback of the Chinese learning diagnosis system for personalized learning in classrooms. Frontiers in Psychology. 10, 1-13.
    Pubmed KoreaMed CrossRef
  55. Zawacki-Richter, O., Marín, V.I., Bond, M. & Gouverneur F. (2019). Systematic review of research on artificial intelligence applications in higher education-where are the educators? International Journal of Educational Technology in Higher Education. 16, 1-27.

Article

전자저널 논문

2020; 30(3): 531-552

Published online August 31, 2020 https://doi.org/10.29275/jerm.2020.08.30.3.531

Copyright © Korea Society of Education Studies in Mathematics.

Artificial Intelligence in Primary and Secondary Education: A Systematic Review

Dongjo Shin

* Research Professor, Korea University, South Korea, sdlov20@gmail.com

Correspondence to:1) This research was supported by Basic Science Research Program through the National Research Foundation of Korea(NRF) funded by the Ministry of Education(NRF-2020R1I1A1A01072637)

Received: July 10, 2020; Revised: August 2, 2020; Accepted: August 3, 2020

Abstract

Recently, the education system has been changing rapidly with the advent of the Fourth Industrial Revolution and the COVID-19 global pandemic. In this situation, this study reviewed 51 international research studies that used artificial intelligence in the context of primary and secondary education 2015-2020. The results of this study show that artificial intelligence was used most frequently in mathematics education and mainly for learning fractions and linear equation. Studies that used artificial intelligence in education were most likely to be conducted for elementary and middle school students, and quantitative methodology was mainly used to examine the impacts of artificial intelligence on students’ achievement and affective domains. Systems that used artificial intelligence tended to be in the form of intelligent tutoring systems that provide step-by-step tutoring and adaptive, personalized feedback. In these systems, teachers tended to play minor roles, assisting the interaction between students and the artificial intelligence system.

Keywords: Artificial Intelligence(AI), primary education, secondary education, mathematics education, systematic review

I. 서론

컴퓨터와 과학 기술의 발달은 우리 생활에 많은 변화를 가져다주며, 교육 역시 시대적 상황에맞춰 변화한다. 이러한 변화는 때론 주목할만한사건을 통해 급진적으로 이루어진다. 1957년 인류 최초의 인공위성인 스푸트니크(Sputnik)호의성공적 발사는 미국의 수학ㆍ과학교육의 개혁을 가져다준 사건으로 유명하다. 이후 2016년 알파고(AlphaGo)의 등장은 우리에게 ‘제4차 산업혁명’과 ‘인공지능’ 시대의 서막을 알리는 계기가되었으며, 2019년에 발생한 코로나19(COVID-19)의 세계적 대유행은 학교 교육의 모습을 강제로 바꾸고 있다. 갑작스럽게 다가온 변화는 학생, 학부모, 교사, 교육당국자 모두를 혼란에 빠뜨렸고, 학교는 개학 연기와 온라인 개학이라는 전례없는 상황을 맞이하였다. 교육부를 비롯한 교육전문가들은 온라인 교육시스템 개선과 콘텐츠 확보를 위해 분주하게 움직이고 있으며, 코로나19로 인해 강제적으로 변화하고 있는 교육 현장을 지켜보면서 이를 미래교육을 위한 혁신의 기회로 만들어야 한다는 목소리도 높아지고 있다 (Kang et al., 2020).

미래교육과 함께 빈번하게 등장하는 용어 중 하나는 인공지능(Artificial Intelligence, 이하 AI)이다. 사실 AI는 제4차 산업혁명 시대의 핵심 기술이고 전 세계적으로 높은 관심과 막대한 투자가 이어지고 있지만, 우리 사회에서 AI라는 단어가 대중의 입에 오르내린 것은 불과 몇 년이 되지 않는다(Chung, 2016). 하지만 2019년 12월 정부는 사회ㆍ경제 전반의 혁신을 위한 AI 국가전략을 발표하면서 AI 인재양성과 전 국민의 AI 기본교육을 선언하였다(Ministry of Science & ICT, 2019). 이를 위한 추진과제로 초ㆍ중ㆍ고등학교 학생에게 소프트웨어(SW)와 AI 필수교육을확대하고, 교육대학과 사범대학에 SWㆍAI 관련교직과목과 전공과목을 신설하여 교원 자격 취득을 위한 필수과목으로 지정하는 등의 내용이 포함되었다(Ministry of Science & ICT, 2019). 나아가 AI 융합교육 전공 과정을 교육대학원에 신설하여 2024년까지 5천 명의 AI 교사양성을 위한 계획을 발표하였다(Ministry of Education, 2019).

그러나 정부의 이러한 방향이 시대적 조류에 휩쓸려 단순히 컴퓨터과학(computer science) 전공의 기초과정을 교육대학, 사범대학, 그리고 현직교사 재교육 프로그램에 포함하는 수준으로 구현되는 것에는 우려의 시선이 뒤따른다. 컴퓨터과학 분야에서 제공하는 기본적인 SWㆍAI 관련 과목을 수강한 현직 및 예비교사가 이를 교육 현장에서 적극적으로 활용하는 것을 기대하기는 어렵기 때문이다. 컴퓨터교육 전공이 아닌대부분의 교사들은 컴퓨터 관련 비전공자이다.컴퓨터 관련 비전공자들은 교양 수준의 기본적인 SW 수업이라고 하더라고 어려움을 느끼고특히 자신의 전공과의 연관성이 없다고 생각할때 SW 교육에 대해 부정적으로 인식한다(Kim, 2017). 수학교사와 같은 교과교육 교사에게SW·AI에 관한 학습 동기를 부여하고 이를 교육현장에 효과적으로 활용하는 것을 돕기 위해서는 교과 관련 지식이 통합된 SWㆍAI 교육 프로그램 개발과 교육과정 구성이 요구된다(Weintrop et al., 2016). 그러나 AI가 초ㆍ중등 교과 교육에서 어떠한 모습으로 어떻게 활용되고 있는지, AI를 통합한 교과 교육의 교육적 효과와 한계가무엇인지에 관해 체계적으로 분석한 국내연구는매우 부족한 실정이다. 이에 본 연구는 체계적문헌고찰을 통해 초ㆍ중등 교과 교육에서 AI를사용한 연구를 종합적으로 검토하였다. 특히, 초ㆍ중등 수학교육에서 AI를 사용한 사례를 구체적으로 제시함으로써 AI를 통합한 수학교육의이해를 높이고 미래 수학교육의 방향성과 교육적 시사점을 제공하고자 하였다.

II. 선행연구 검토

본 장에서는 AI의 개념과 교육 분야에서 AI 관련 연구를 종합적으로 검토한 선행연구에 대해 살펴보고자 한다.

1. 인공지능의 정의

불과 몇 년 전만 하더라도 AI는 주로 공상과학 영화나 소설 속에서나 등장하던 단어였다2). 그러나 최근 AI는 우리도 모르는 사이에 우리생활 깊숙이 들어와 있고 뉴스나 미디어 속에서 끊임없이 오르내리고 있다. 이렇듯 우리는 AI라는 용어를 흔히 사용하고 있지만, AI가 무엇인지명확하게 설명할 수 있는 사람은 거의 없다. 사실 AI의 정의는 관련된 전문 서적의 수만큼 다양하다는 말이 나올 정도로 AI를 연구하는 사람들 사이에서도 AI에 관해 일치된 정의가 없는상황이다(Holmes, Bialik, & Fadel, 2019).

Baker & Smith(2019)는 AI가 학습과 문제해결과 같은 대개 인간의 마음과 연관된 인지적 과제를 수행하는 컴퓨터로 정의되지만, 기계학습(machine learning), 자연어 처리(natural language processing), 데이터 마이닝(data mining), 신경망(neural networks)과 같은 기술과 방법을 아우르는 포괄적인 개념(umbrella term)으로 이해해야한다고 주장한다. 이에 Russell & Norvig(2016)는 선행연구에서 정의한 AI의 개념을 종합하여Figure 1과 같이 표현하였다. 먼저, 인간처럼 사고하는 시스템(think like humans)은 사람이 가지는 인지모델을 분석하여 의사결정과 문제해결과 같은 인간의 인지능력을 모방하는 시스템을 AI로 정의하는 것을 의미한다. 그러나 인간은 항상합리적이고 이성적으로 사고하지 않는다. 합리적으로 사고하는 시스템(think rationally)을 연구하는 학자들은 올바른 답 또는 최적의 답을 얻기 위해 철저히 논리적이고 계산적인 사고를 하는 시스템으로 AI를 정의한다. 반면 사고, 지능, 추론적인 것을 구현하기는 쉽지 않기 때문에 지능적인 행동 표현 자체에만 관심을 가지고 이를 AI로 정의하기도 한다. 인간처럼 행동하는 시스템을 생각해보기 위해 우리가 볼 수 없는 어떤 대상(object)에게 복잡한 곱셈 문제를 물어보고질문에 대한 답을 글(text)로 받는 상황을 생각해보자3). 만약 우리가 이 대상으로부터 “잠시만”이라는 반응과 함께 10초 후에 문제에 대한 답을받았다면 이 대상이 마치 사람처럼 행동한다고 생각할 수 있다. 반면, AI를 합리적으로 행동하는 시스템으로 정의하는 학자들은 주어진 문제에 가장 빠르고 최적의 답을 제공하는 것을 목표로 한다. 따라서, 앞의 사례에서처럼 ‘10초 지연 후 답변’의 방식으로 AI를 구현하지 않는다(Russell & Norvig, 2016). 예컨대 우리가 일상에서 자주 접하는 다양한 챗봇, 자동 번역기, 알파고와 같은 시스템은 합리적으로 행동하는 시스템으로 구현된 AI라고 할 수 있다.

Figure 1. Definitions of AI(Russell & Norvig, 2016, p. 5)

2. 교육에서 인공지능

교육에서 AI 사용에 관한 연구는 1989년 학술지4) 발간과 1997년 학제간 국제적 공동체인International Artificial Intelligence in Education Society(IAIED)의 설립과 함께 지난 30년간 진행되고 있다. 앞서 언급하였듯이 AI의 정의는 다양하지만, Baker & Smith(2019)는 교육에서 AI를학습자 차원, 교사 차원, 시스템 차원으로 분류하였다. 먼저, 학습자 차원 AI는 맞춤형 학습과같이 학생이 교과 지식을 배우기 위해 사용하는 도구를 의미한다. 교사 차원 AI는 행정, 평가, 피드백, 표절 탐지와 같은 업무를 자동화함으로써교사의 업무량을 경감하고 교사를 지원하는 도구를 말한다. 마지막으로 시스템 차원 AI는 학교전체의 학생 수 감소 패턴과 같은 정보를 기관 관리자에게 제공하는 도구를 의미한다(Baker & Smith, 2019).

교육에서 AI는 주로 학습자 차원에서 개발되고있으며 이는 개인 튜터(personal tutors), 협력학습을 위한 지능적 지원, 지능형 가상현실(virtual reality, 이하 VR)로 나눌 수 있다(Luckin, Holmes, Griffiths, & Forcier, 2016). 개인 튜터의 대표적인예는 지능형 교수 시스템(intelligent tutoring system, 이하 ITS)으로 일대일 맞춤형 수업을 제공하도록설계된 교육용 AI를 말한다. 전통적인 단계형 ITS는 학생 개인의 수준에 적합한 학습 내용과 학습경로를 제공하며 학습 과정에서 힌트와 피드백을 제공함으로써 효과적인 학습이 이루어질 수 있도록 안내한다. 일반적으로 ITS는 3개의 지식 모델에기반하여 학습자에게 맞춤형 수업과 피드백을 제공한다(Graesser, Conley, & Olney, 2012). 첫째, 도메인 모델(domain model)은 교수ㆍ학습을 위한 내용, 기술, 개념 간의 학습 위계에 관한 지식을 의미한다. 예를 들어, 함수의 개념, 일차방정식의 풀이, 곱셈 개념에 관한 학습 위계가 이에 해당이다. 둘째, 교수 모델(pedagogy or tutoring model)은 교수학적 지식으로 예를 들어 근접발달영역(zone of proximal development), 인지적 부하(cognitive load), 소크라테스의 문답법에 관한 지식을 의미한다. 셋째, 학습자 모델(student or learner model)은 학습자에 관한 지식으로 ITS에서 학습자와의 상호작용을통해 수집된 학습자의 인지적, 정의적 정보를 의미한다. 학습자 모델은 학습자가 ITS와 상호작용 한정보를 사용하여 계속적으로 보강되며 활용된다는 점에서(Grawemeyer et al., 2017) 기존의 컴퓨터 기반 학습시스템과 ITS를 구분하는 특징이라고 할수 있다(Holmes et al, 2019).

대표적인 ITS로는 Carnegie Mellon 대학에서개발한 Cognitive Tutor와 New York 대학과California(Irvine) 대학에서 공동으로 개발한ALEKS(Assessment and Learning in Knowledge Spaces)가 있다. 전통적인 ITS는 학습자의 요구에 따라 단계적 피드백과 힌트를 제공하여 주로 절차적 지식에 관한 학습을 목표로 하는 교수 시스템이다. 반면 대화형 ITS(dialogue-based ITS)는 자연어 처리기술을 사용하여 대화 형식의 학습 환경을 제공하면서 보다 개념적 지식을 학습하기 위해 설계된 ITS이다. 대화형 ITS의 대표적인 예는 Memphis 대학에서 개발한 AutoTutor가있다(Graesser et al., 2012).

AI는 개별학습 이외에도 협력학습을 돕기 위해서 사용되는데, 학습자 개인 특성에 기반한 모둠형성과 온라인 모둠학습에서 상호작용을 촉진시키기 위해 AI를 사용하는 것이 이 범주에 속한다(Zawacki-Richter, Marín, Bond, & Gouverneur, 2019). 마지막으로, 지능형 VR은 가상의 학습공간 또는 게임 기반 학습 환경에서 학생들이 가상의 에이전트와 함께 학습하도록 AI를 설계하는것을 의미한다(Luckin, et al., 2016).

3. 교육에서 AI 활용에 관한 문헌분석

교육에서 AI 활용에 관한 연구동향 및 문헌분석에 관한 연구는 주로 해외에서 진행되었으며, AI 유형과 AI 적용대상에 따라 다양하게 이루어졌다. Chassignol, Khoroshavin, Klimova & Bilyatdinova(2018)는 2012년부터 2018년까지 교육에서 AI 활용을 AI와의 상호작용, AI 기반 평가, AI 기반 교수법으로 분류하여 AI가 교육에활용되는 방식을 분석하였다. Zawacki-Richter et al.(2019)은 체계적 문헌고찰을 실시하여 고등교육에서 AI는 주로 학생 프로파일과 예측, 평가, ITS, 적응형ㆍ맞춤형 시스템에서 활용되고 있음을 보고하였다. 가장 활발히 연구가 진행되고 있는 국가는 미국, 중국, 대만, 터키 순으로 나타났고, 주저자의 연구 분야는 컴퓨터과학, STEM, 예술ㆍ인문ㆍ사회과학, 교육학 순으로 나타났다(Zawacki-Richter et al., 2019).

Drigas & Ioannidou(2012)는 특수교육 분야에서수행된 AI 연구를 분석하여 읽기, 쓰기, 수학학습에서 어려움을 가지는 학생부터 감각 및 신체적 장애, 자폐 범주성 장애, 난독증, 주의력 결핍 장애와 주의력 결핍 과잉 행동 장애가 있는 학생의 진단 및 치료를 위해 사용된 AI 도구를 소개하였다. 다수의 선행연구에서는 교육 분야에서 가장널리 활용되고 있는 AI인 ITS 사용에 관한 문헌검토를 실시하였다. 예를 들어, Alfaro et al.(2020)은 현재 개발된 ITS를 웹 기반 ITS(또는hypermedia), 문화적 다양성에 맞춰 교육 내용을제공하는 ITS, 협동 및 그룹 학습의 효과를 높이는 ITS, 놀이적 요소를 통합한 ITS로 분류하여분석하였다. 또한, Steenbergen-Hu & Cooper(2013)는 고등교육에서 ITS의 활용을, Tafazoli, María, & Abril(2019)는 언어교육에서 ITS 활용에 관한문헌분석을 수행하였다.

살펴본 것과 같이, 교육에서 AI 활용과 관련된연구동향 분석은 주로 고등교육의 맥락에서 진행되는 경향이 있었다(예를 들어, Hinojo-Lucena et al., 2019; Steenbergen-Hu & Cooper, 2013; Zawacki-Richter et al., 2019). 2007년부터 2017년까지 AI 기반 적응형ㆍ맞춤형 학습에 관한 연구분석에 따르면, 절반가량이 고등교육 맥락에서실시되었고 초등교육(약 20%)과 중등교육(약10%)에서는 상대적으로 미흡하게 진행되었다는점이 이와 맥을 같이한다(Xie, Chu, Hwang, & Wang, 2019). 이는 AI와 관련된 연구의 대부분이컴퓨터과학 분야를 중심으로 진행되었고(Xie et al., 2019; Zawacki-Richter et al., 2019), 해당 분야 대학생을 대상으로 교육적 효과를 분석한 연구들이 주가 되었기 때문으로 생각된다. Steenbergen-Hu & Cooper(2013)는 1997년부터2010년까지 초ㆍ중등 수학교육에서 ITS 활용에관한 26개의 연구를 메타분석을 통해 검토하여ITS를 통한 수학학습의 효과를 분석한 바 있다. 그러나 AI 기술이 2010년 이후에 급격히 발달하고 있다는 점에서 최근 초ㆍ중등교육에서 AI의 활용에 관한 종합적 분석의 필요성이 대두된다. 또한, 해외연구에 비해 국내에서는 교육에서의AI 활용과 관련된 연구동향 및 체계적 문헌분석이 거의 수행되지 않았다. 본 연구의 목적은 최근 5년간 국외 초ㆍ중등교육에서 수행되었던 AI활용에 관한 연구를 종합적이고 체계적으로 분석하는 것이다. 특히, 초ㆍ중등 수학교육에서 AI활용에 관한 구체적인 사례를 제시함으로써 AI기반 수학교육에 대한 이해를 높이고, 향후 AI교육 프로그램 설계와 활용에 관한 시사점을 제공하고자 한다.

III. 연구 방법

본 연구는 초ㆍ중등교육에서 AI를 활용하고교육적 효과를 논의한 실험연구 결과를 보다 객관적이고 체계적으로 종합하기 위해서 Kitchenham & Charters(2007)의 체계적 문헌고찰방법을 사용하였다. 체계적 문헌고찰의 수행은연구문제 설정, 문헌검색, 문헌선택, 자료추출 및분석, 자료종합 및 결과제시에 따라 진행되었다.

1. 연구 문제 설정

연구 문제는 다음과 같다: 1) 초ㆍ중등교육에서 AI 활용에 관한 연구의 국가별, 교과 영역별, 연구대상별, 연구방법별 분포는 어떠한가? 2) 초ㆍ중등교육에서 어떤 유형의 AI가 활용되었는가? 3) AI를 활용한 초ㆍ중등교육에서 교사와AI 시스템은 각각 어떠한 역할을 수행하였는가? 4) 초ㆍ중등 수학교육에서 AI는 어떤 방식으로활용되고 있는가?

2. 문헌검색

문헌검색 단계는 제시된 연구 문제에 적절하고 높은 질의 문헌을 수집하는 것이다. 문헌의질을 위해 해외 저명한 데이터베이스 중 하나인 Web of Science5)를 이용했다. Web of Science는과학인용색인(Science Citation Index, 이하 SCI)과사회과학인용색인(Social Sciences Citation Index, 이하 SSCI)에 등록된 우수한 논문에 대한 학술정보를 제공한다. 또한, Web of Science는 SCI(E)와 SSCI 등재 후보지에 해당하는 Emerging Sources Citation Index(ESCI)에 관한 학술정보를포함한다는 점에서 양질의 논문을 검색하기에 적절한 데이터베이스로 판단하였다.

교육 분야에서 AI와 관련된 연구가 초기 단계에있고 AI 기술이 짧은 시간 내에 급격히 변하고 있다는 점에서 문헌검색 기간은 2015년부터 본 연구가 시작된 2020년 4월까지로 선정하였다. 초ㆍ중등교육에서 AI 활용에 관한 논문을 검색하기 위해 제목, 초록, 핵심어에 다음과 같은 단어를 포함한 논문을 모두 검토하였다: (intelligent OR “artificial intelligence” OR adaptive OR personalized) AND (education OR student OR teacher OR tutor). 여기서고등교육, 의학, 문헌분석에 관한 논문은 본 연구의목적에서 벗어난다고 판단하여 아래와 같은 단어를포함한 논문을 사전에 제외하였다: college OR undergraduate OR university OR “higher education” OR medicine OR medical OR nursing OR review. 이과정에서 총 2,165편의 논문이 검색되었다.

3. 문헌선택

검색된 2,165편의 논문을 대상으로 최종 분석에 사용될 논문을 선택하기 위해 Table 1과 같이포함기준과 배제기준을 선정하였다.

Table 1 . Inclusion and exclusion criteria.

기준내용
포함초•중등 교과교육 관련 연구
AI를 통한 교육적 효과를 검토한 실험연구
배제유아교육 및 고등교육 관련 연구
AI 개발과 성능을 공학적으로 검토한 연구
문헌 연구 및 이론 연구
논문에서 사용된 언어가 영어가 아닌 연구


Table 1에 기술된 기준에 따라 두 단계의 포함및 배제과정을 거쳤다. 1차 선별과정에서는 논문의 초록을 검토하였고, 이 과정에서 2,021편의 논문이 제외되었다. 1차 선별과정에서 선별된 144편의 논문에 대해서는 본문 검토가 진행되었고, 51편의 논문이 최종 분석대상으로 선정되었다. 논문선정에서 배제된 논문은 주로 고등교육에서 AI에사용에 관한 논문과 AI 알고리즘 및 프로그램의개발과 성능분석을 목적으로 공학적으로 수행된 연구였다(예를 들어, 자동채점 시스템의 성능 평가, 예측 알고리즘의 성능 비교에 관한 연구). 1차 선별과정에서 AI를 활용한 초등교육 연구로확인되었지만 본문이 스페인어로 기술되었던 1편의 논문 역시 최종선정에서 제외되었다. 문헌 선택과정을 도식화하면 Figure 2와 같다.

Figure 2. Paper selection processes

4. 자료추출 및 분석

자료추출 및 분석은 최종 수집된 논문을 체계적으로 분석하는 데 필요한 변인들을 추출하여 분석기준을 만드는 단계이다. 초ㆍ중등교육에서AI 활용에 관한 문헌을 분석하기 위해 각 논문의 제목, 게재년도, 연구목적, 연구대상, 교과목, 교육국가, 연구방법, 적용된 AI 유형, 사용된 하드웨어, AI 적용방식, 교사의 역할, AI의 교육적 효과에 관한 정보를 추출하여 스프레드시트에 저장하였다.

연구 문제를 검토하기 위해 교과목은 언어, 수학, 과학, 사회, 기타로 분류하였다. 해외연구에서 모국어교육과 외국어교육의 구분이 모호하게 나타날 수 있다는 점을 감안하여 모국어와 외국어교육에 관한 교과목을 모두 언어로 요목화하였다. 연구대상은 학교급별(초등학교, 중학교, 고등학교) 학생과 교사로 나누었고, 연구방법은 양적, 질적, 혼합 연구로 구분하였다. 초ㆍ중등교육에 적용된 AI 유형은 Luckin et al.(2016)Holmes et al.(2019)에 근거하여 단계형 ITS, 대화형 ITS, 협력학습 시스템, VR, 기타로 구분하였고, 해당 AI 시스템을 구현하기 위한 하드웨어방식을 컴퓨터, 태블릿, 로봇, 웨어러블 장치(wearable devices)로 나누었다(Xie et al., 2019). Bernacki & Walkington(2018)은 AI를 활용한 교육에서 교사가 AI를 활용하여 주도적으로 맞춤형수업을 진행하는지 반대로 학생이 개별적으로 AI와 상호작용하는지를 고려하는 것이 중요하다고 하였다. 따라서 교사의 역할과 AI의 역할을수업을 주도적으로 진행하는 역할과 이를 보조하는 역할로 나누었다. 제시된 논문 분석기준에따라 분류하는 과정에서 중복되는 경우에는 각 1회 빈도로 표시하였다.

IV. 연구 결과

1. 초ㆍ중등교육에서 AI 활용

분석된 논문 중, 초ㆍ중등교육에 AI가 활용된교과목과 세부 교과 영역의 빈도는 Table 2와 같다. 초ㆍ중등교육에서는 총 4개의 교과에서 AI를활용했으며 수학 교과에서 가장 높은 빈도로 활용되었다. 수학 교과의 경우 AI는 수와 연산과문자와 식 영역에서 가장 많이 활용되었다. 수와연산 영역에서는 분수 학습을 위해 AI를 활용한연구(Grawemeyer et al., 2017; Olsen, Rummel, & Aleven, 2019; Rajendran, Iyer, & Murthy, 2018; Reinhold, Hoch, Werner, Richter-Gebert, & Reiss, 2020; Wu, Kuo, & Wang, 2017)가 가장 많았고, 문자와 식 영역에서는 대부분 일차방정식과 관련된 연구(Bringula, Fosgate, Garcia, & Yorobe, 2018; Gonzalez-Calero, Arnau, Puig, & Arevalillo-Herraez, 2015; Kurilovas, Zilinskiene, & Dagiene, 2015; Long & Aleven, 2017; VanLehn et al., 2019; Kautzmann & Jaques, 2019)가 수행되었다. 언어 교과에서는 주로 읽기와 관련된 영역에서 AI가 활용되었다.

Table 2 . Subject and specific contents that used AI.

교과세부 교과 영역빈도
수학수와 연산(11), 문자와 식(8)*,
함수(2)*, 측정(1), 기하(1)
23
언어읽기(8), 문법(2), 단어학습(2), 듣기(1), 쓰기(1),14
과학지구과학(5), 물리(4), 생물(3), 화학(1)13
사회지리(2), 역사(1)*3
합계53

* : 중복된 교과/단원을 다룬 연구를 포함.



초ㆍ중등교육에서 AI가 활용된 연구를 국가별로 분석한 결과는 Table 3과 같다. 먼저, 대륙별로 범주화하면 아시아, 북미, 유럽이 비슷한 빈도로 나타났고, 아프리카와 오세아니아 대륙에서수행된 AI 관련 초ㆍ중등교육 연구는 없었다. 단일 국가로는 미국에서 가장 많은 연구가 수행되었으며, 대만, 영국, 스페인이 차순으로 나타났다. 한국에서 진행된 연구로는 영문법 학습에서과정 중심 피드백을 제공하는 ITS를 설계하고교육적 효과를 조사한 Choi(2016)의 연구가 유일했다.

Table 3 . Country where AI-based research in education has been conducted.

대륙국가빈도
아시아대만(9), 인도(2), 한국(1), 중국(1), 태국(1), 터키(1), 마닐라(1), 이스라엘(1), 파키스탄(1)18
북미미국(17)*17
유럽영국(5)*, 스페인(4), 슬로베니아(2) 스위스(1), 네덜란드(1), 독일(1), 리투아니아(1)15
남미브라질(1), 칠레(1)2
합계52

* : 중복된 국가에서 수행된 연구를 포함.



AI를 활용한 초ㆍ중등교육은 주로 초등학교와중학교 학생들의 교과 학습을 위해 AI를 개발하고 이에 대한 교육적 효과를 조사하였다(Table 4 참조). 교사를 포함한 연구는 8편이 있었는데, 이중 6편의 논문은 학생과 교사를 모두 연구대상에 포함한 경우로 중복으로 코딩된 사례였다. 교사를 포함한 연구는 교사가 모둠학습을 효율적으로 수행하기 위해 AI를 활용한 연구(Gerard, Kidron, & Linn, 2019; Schwarz et al., 2018; VanLehn et al., 2019)와 맞춤형 수업을 위해 AI가 제공하는 학생 개인의 학습 정보를 사용한 연구(Connor, 2019; Faber, Luyten, & Visscher, 2017; Phillips, Pane, Reumann-Moore, & Shenbanjo, 2020; You, Li, Xiao, & Liu, 2019)가주를 이루었다.

Table 4 . Distribution of research participants.

초등학교중학교고등학교
학생22227
교사422


초ㆍ중등교육에 AI를 활용한 연구를 연구방법에 따라 분류한 결과는 Table 5와 같다. 전체적으로 양적 연구방법을 사용한 연구가 대다수(약85%)였고, 질적연구는 약 5%에 불과했다. 양적연구방법을 사용한 연구는 주로 서로 다른 AI 기반 교육시스템(약 40%) 또는 AI 기반 학습과전통적인 교실 수업(약 33%)이 학생의 인지적· 정의적 영역에 미치는 차이를 정량적으로 비교하였다. 예를 들어, Grawemeyer et al.(2017)은 학생의 문제해결 결과에 기반해서 피드백을 제공하는 ITS와 학생의 감정 상태까지 고려하여 피드백을 제공하는 ITS가 학생의 분수 학습에 미치는 영향을 비교하였다. 또한, Gonzalez-Calero et al.(2015)Ryoo & Linn(2016)은 ITS 환경에서 문제해결에 직접적인 절차를 제공하는 피드백과 반성적 사고를 유도하는 피드백의 교육적

Table 5 . Distribution of research methods.

양적 연구질적 연구혼합 연구
4335


효과를 비교ㆍ분석하였다. 반면, Pai, Kuo, Liao, & Liu(2020)는 곱셈과 나눗셈 학습을 위한 대화형 ITS와 교사의 교실 수업의 효과를 정량적으로 비교하였다. 질적 연구방법을 사용한 연구는모두 교사를 대상으로 이루어졌으며, 수업 관찰과 면담을 통해 ITS를 통합한 개별화 수업 구현방식(Phillips et al., 2020)과 모둠학습에서 ITS 활용의 효과(Schwarz et al., 2018)에 관한 분석을 진행하였다.

AI 기술을 사용한 교육플랫폼의 유형과 해당플랫폼을 구현하기 위해 사용된 하드웨어는 Table 6과 같다. 다수의 연구에서는 컴퓨터를 통해 학습이 이루어졌고, 학생 개인의 특성에 단계별 교수와 피드백이 제공되는 단계형 ITS를 사용하였다. 보통 맞춤형 피드백은 성취 수준이 정의된 기준에 만족하지 못하였거나 오답을 제출하였을 때 제공되었고, 특정 ITS는 학생의 감정상태(Bringula et al., 2018; Cabestrero et al., 2018; Grawemeyer et al., 2017; Rajendran et al., 2018), 문항의 난도(Reinhold et al., 2020), 답변 제출 시간(Rajendran et al., 2018), 학습 참여(Huang, Chang, Chen, Tseng, & Chien, 2016)를 고려하여피드백을 제공하도록 설계되었다. 또한, 학습 과제와 활동을 개인별 맞춤형으로 제공하기 위해 학생의 인지적 수준에 관한 변인과 더불어 학습 유형(Kurilovas et al., 2015; Wongwatkit, Srisawasdi, Hwang, & Panjaburee, 2017)을 중요한변인으로 통합한 ITS도 있었다.

Table 6 . Type of AI systems in education and hardware used to implement it.

하드웨어
컴퓨터태블릿로봇
시스템단계형 ITS3433
대화형 ITS301
협력학습 시스템310
유러닝020
AR010


대화형 ITS는 자연어처리, 음성인식, 의미분석등의 AI 기술을 사용하여 학생과 대화(글 또는음성)하는 방식으로 학습이 진행되도록 ITS를 설계하였다(Chen, Park, & Breazeal, 2020; Cole et al., 2018; Jackson, Castellano, Brockway, & Lehman, 2018; Pai et al., 2020). 이는 학습의 몰입과 참여를 높이기 위해 ‘인간처럼 행동하는시스템’ 구현을 목적으로 설계된 ITS라 할 수 있다(Russell & Norvig, 2016). 협력학습 시스템은 교사가 모둠학습을 효율적으로 수행하기 위해 모둠의 학습 활동 정보를 교사에게 실시간으로 제공하거나(Gerard et al., 2019; Schwarz et al., 2018; VanLehn et al., 2019) 협력적 문제해결을 돕기 위해 모둠원의 개별적 역할과 책임을 할당하는 방식으로 설계되었다(Olsen et al., 2019). 그외, Li, Chiu, & Tseng(2019)Yin, Chuang, & Hwang(2016)은 과학 현장학습에서 학생의 학습유형과 상황적 맥락을 실시간으로 파악하여 효과적인 학습 순서를 안내하는 유러닝(Ubiquitous learning) 시스템을 사용하였고, Ibanez, Di-Serio, Villaran-Molina, & Delgado-Kloos(2015)는 학생의 지식에 기반하여 학습활동을 제안하는 증강현실(AR) 기술을 과학 개념 학습을 위해 사용하였다.

AI 기반 교육연구에서 교사와 AI 시스템이 수행한 역할을 분석한 결과 교사가 배제되거나 교사의 역할이 명시적으로 기술되지 않은 상태에서 학생과 AI 시스템의 상호작용을 조사한 연구가 전체의 45%로 가장 높은 비중을 차지했다(Table 7 참조). 또한, 수업 현장에 교사가 존재하더라도 교사는 AI 시스템이 주도하는 맞춤형수업을 관찰하면서 기술적인 문제에 대응하거나(Dolenc & Abersek, 2015; Ibanez et al., 2015; Pai et al., 2020; Ryoo & Linn, 2016) AI를 활용하여 교육적 효과를 검토하기 전 기본적인 교과 개념에 관한 교수활동을 제공(Bernacki & Walkington, 2018; Huang et al., 2016; Long & Aleven, 2017)하는 등의 보조적인 역할을 수행하였다. 예를 들어, Pai et al.(2020)은 ITS를 활용한 수학수업과 전통적인 수학 수업의 교육적 효과를 비교하였는데, ITS를 활용한 수업에서 교사는 학습 활동에 개입하지 않았고 학생들이 컴퓨터 작동에서 기계적인 문제가 생길 때 이를 해결하는 역할만 수행하였다.

Table 7 . Teacher role in AI-integrated education.

교사의 역할AI의 역할빈도
맞춤형 수업 진행학생 정보 제공8
학습 보조맞춤형 수업 진행20
배제 또는 명시되지 않음23


반대로 8편의 논문에서 교사는 AI가 제공하는학생 정보를 통해 맞춤형 수업을 주도적으로 진행하였고 이에 긍정적인 결과를 보고하였다(Faber et al., 2017; Gerard et al., 2019; Schwarz et al., 2018; You et al., 2019). 예를 들어, You et al.(2019)의 연구에서는 AI 시스템이 제공하는 개별 학생의 학습 분석 자료를 통해 교사의 도움이 필요한 학생들에게 맞춤형 수업을 제공하였고, Schwarz et al.(2018)은 AI 시스템이 제공하는 실시간 모둠 학습상태에 관한 정보를 활용하여 한 명의 교사가 다수의 모둠에게 맞춤형 피드백을 제공할 수 있음을 보고하였다. 그러나 교사가AI를 활용한 수업 설계에서 나타난 한계점도 보고되었는데(Phillips et al., 2020; VanLehn et al., 2019), 예를 들어 VanLehn et al.(2019)에 따르면 대부분의 교사들은 ITS를 활용한 맞춤형 수학수업의 필요성을 인지했지만 학기말 시험 대비 등의 현실적 이유로 AI를 통합한 수업 구현에어려움을 호소했다.

2. 수학교육에서 AI 활용 사례

가. 단계형 ITS의 작동방식과 맞춤형 피드백

수학 교수ㆍ학습을 위해 설계된 단계형 ITS의전반적인 작동방식(알고리즘)은 아래 두 편에 논문에서 자세히 나타났다. Wongwatkit et al.(2017)은 사전검사로부터 분석된 학생의 학습 수준과 학습 유형에 따라 맞춤형 수업과 피드백을 제공하는 단계형 ITS를 설계하였다(Figure 3 참조). 먼저 ‘원의 넓이’ 개념에 관한 사전검사를 통해개별 학생의 맞춤형 학습경로(예를 들어, 단원 1: 원의 구성 요소 → 단원 2: 원의 넓이 → 단원3: 원의 넓이 공식 → 단원 4: 원의 넓이 계산)가 결정된다. 또한, 개별 학생의 학습 유형(시각적 유형 또는 언어적 유형)을 파악하여 이에 맞는 학습 자료가 제공된다.

Figure 3. Algorithm for developing an ITS(Wongwatkit et al., 2017, p. 893)

학생들은 ITS로부터 각 단원에 대한 수업을 받게 되고 수업이 끝나면 문제은행으로부터 임의로 추출된 5개의 문항으로 평가를 받는다. 평가 결과 학생의 수준이 만족할만한 수준이면 다음 단원에 관한 평가가 이루어지고, 그렇지 않으면 문제은행에 남아있는 문항의 여부에 따라 맞춤형 힌트와 보충자료를 통해 추가학습이 진행된다. 이러한 과정은 모든 단원의 학습이 만족할수준으로 완료될 때까지 반복된다.

위와 유사한 방식으로 Wu et al.(2017)Figure 4의 절차에 따라 분수 학습을 위한 단계형 ITS를 설계하였다. 이를 위해 Wu et al.은 전문가 집단으로부터 분수의 덧셈과 뺄셈에 관한 18개의 개념과 개념 사이의 위계 관계를 정의하고 각 개념에 대한 선다형 문항을 제작했다. 선다형 문항의 보기 중 오답은 학생들의 오개념이 기반하여 선택되었고 학생들이 오답을 제출할 경우 해당 오개념에 기반한 피드백이 제공된다. Wongwatkit et al.(2017)의 ITS와 차이점은 주어진 문항에 연속적으로 오답을 제출할 경우 단계적인 피드백이 제공된다는 것이다. 간단한 예로, 동치분수를 구하는 문제 45=()40에서 한 학생이 지속적으로 분자의 값이 8이라고 주장하는 경우 아래와 같은 피드백이 세 단계에 걸쳐 제공된다.

Figure 4. Algorithm for developing an ITS(Wu et al., 2017, p. 65)
  • 1단계: 틀렸어! 네가 말한 답은 40÷5=8 이야. 동치분수를 구한다는 것은 무엇일까?

  • 2단계: 틀렸어! 주어진 문제에서 분모는 5×8=40 이 되었어. 그렇다면 동치분수를 만들기 위해 분자의 값은 어떻게 될까?

  • 3단계: 동치분수를 구하는 방법 중 하나는 분자와 분모에 같은 수를 곱하는 거야. 왜냐하면 분자와 분모에 같은 수를 곱해도 분수의 값은변하지 않기 때문이야. 따라서 분자와 분모에 8을 곱하면 45=4×85×8=3240이 되므로 분자는 32가 돼.

다시 말해, 1단계에서는 직접적이지 않은 일반적 피드백을 제공하고, 2단계에서는 보다 구체적인 피드백을 제공하고, 3단계에서는 개념 설명과직접적인 풀이 과정이 제공되는 방식으로 다양한 개념에 관한 수업이 반복적으로 진행된다(Wu et al., 2017).

ITS의 작동방식은 다양하게 설계되므로Figures 34에 소개된 원리를 일반화할 수 없다. 예를 들어, Bernacki & Walkington(2018)이 사용한 대수 학습을 위한 ITS는 각 문항에 관한맥락이 개별 학생의 흥미6)에 맞게 자동으로 변경되어 제공되는 것이 특징이다. 이때 문항의 본질과 수학적 구조는 유지된 상태에서 맥락만이 변경된다. Table 8은 게임에 흥미가 있는 한 학생에게 제공된 맞춤형 문항의 예이다.

Table 8 . An example of personalized story problem(Bernacki & Walkington, 2018, p. 869).

기존 문항맞춤형 문항
우주 왕복선에서 크롤러라는 기계는 초속 2.9피트로 움직인다. 크롤러는 현재 지점에서 100피트 떨어진 발사대로 이동 중이다.자동차 게임에서 초당 2.9피트로 달리는 차가 있다. 이 차는 시작 지점에서 100피트 떨어진 결승선을 향해 달리고 있다.


Kautzmann & Jaques(2019)는 일차방정식 학습에서 학생의 메타인지 능력을 향상시키기 위한 ITS(PAT2Math)를 설계하고 이를 피드백/힌트만을 제공하는 전통적인 ITS와 비교하였다. PAT2Math는 학습자 자신의 지식에 관한 메타적평가와 실제 문제해결 능력을 기반으로 지식 모니터링 평가(knowledge monitoring assessment, 이하 KMA) 능력을 지표화한다. 그리고 KMA 지표에 따라 아래의 4단계의 피드백을 제공한다.

  • 1단계: 현재 문제에 대해 자신이 가지고 있는지식을 생각하도록 하는 질문

  • 2단계: 이전 문제에서 자신이 사용했던 지식에대해 생각하도록 하는 질문(Figure 5 참조)

    Figure 5. A prompt used to improve students’ metacognitive knowledge monitoring ability(Kautzmann & Jaques, 2019, p. 97)
  • 3단계: 현재 문제와 유사한 문제를 풀었던 경험이 있는지 생각하도록 하는 질문

  • 4단계: 이전 문제에 자신이 사용했던 유사한문제해결 과정을 보여주는 단계

해당 피드백은 KMA 지표가 일정 수준보다 낮은 학생에게만 제공되며, 문제를 완료할 때마다학생의 KMA 지표는 새롭게 수정되어 학습자 모델에 저장된다. 연구 결과, PAT2Math는 학생들의 메타인지 능력뿐만 아니라 일차방정식 문제해결 능력에도 긍정적인 영향을 주는 것으로 나타났다(Kautzmann & Jaques, 2019).

수학교육 맥락에서 AI를 활용한 연구 중 3편의 논문은 학생에게 제공하는 정서적ㆍ감정적 피드백 사용의 효과에 주목하였다. Rajendran et al.(2018)은 중학교 학생들이 분수 학습에서 좌절감을 느끼는 순간과 이유를 식별하여 학습 동기를 부여하기 위한 ITS(Mindspark)를 개발하고자하였다. 이를 위해 제시된 문항에 관한 정답 유무, 문항 난도, 문제해결을 위해 소요된 시간에관한 변인이 사용되었다. Rajendran et al.은 학생이 느끼는 좌절감을 문제해결에 실패한 경우로조작적으로 정의하였고, 학생이 주어진 문제에오답을 제출하였을 때 자동적인 피드백이 제공되도록 ITS를 설계하였다. 예를 들어, 한 학생이주어진 문항에서 오답을 제출하였다고 가정하자. Mindspark는 이 학생이 답안을 제출하는데 소요된 시간, 문항 난도, 직전 문항들에 대한 정답유무를 분석한다. 만약 해당 문항의 난도가 평이했고 학생이 직전 2개의 문항에서 모두 정답을제출하였음에도 불구하고 문항을 해결하는데 소요된 시간이 다른 학생들의 평균 제출 시간보다길었다면 다음과 같은 피드백이 제공된다.

너는 지금 주어진 문제 이전에 2개의 문제를아주 잘 풀었어. 그리고 이 문제 역시 해결하기위해 노력했어. 그래서 나는 네가 다음 문제들을 충분히 풀 수 있을 거라 확신해.

만약에 두 번째 시도에서도 오답을 제출한 경우 Mindspark는 오직 문제의 난도에 기반하여피드백을 제공한다. 만약 문제의 난도가 높은 경우, “걱정마, 이 문제는 다른 친구들에게도 어려운 문제야. 다시 도전해봐도 돼”와 같은 피드백이 제공되고 문제의 난도가 평이한 경우 Figure 6과 같은 피드백이 제공된다. 만약 세 번째 시도에서도 오답을 제출한 경우 Mindspark는 주어진문항에 대해 학생의 주관적 의견을 제출할 것을요구한다(Rajendran et al., 2018).

Figure 6. A motivational message provided by Mindspark(Rajendran et al., 2018, p. 93)

Rajendran et al.(2018)과 유사하게 Bringula et al.(2018)도 정서적ㆍ감정적 피드백을 제공하는것에 주목하였다. Bringula et al.은 대수 학습에서 학생의 답안에 따라 서로 다른 표정과 함께 피드백을 제공하는 ITS 상의 에이전트(PIA)를 설계하고 에이전트 사용이 학생의 수학적 성취에 미치는 영향을 조사하였다. Figure 7(좌측)에서볼 수 있듯이 PIA는 학생의 문제해결 과정이 옳으면 웃는 표정과 함께 격려의 피드백을 제공하고 학생의 답안이 틀리면 슬픈 표정과 함께 힌트를 제공한다. 또한, 학생이 3번의 연속적인 문제해결 단계에서 올바른 답을 입력한 뒤 오답을 제출하면 놀란 표정과 함께 힌트를 제공한다 (Figure 7의 우측 참조).

Figure 7. A happy and surprise facial expression(Bringula et al., 2018, p. 710)

마지막으로 Grawemeyer et al.(2017)는 베이지안(Bayesian)과 기계학습 기법을 사용하여 학생의 감정 상태를 보다 정밀하게 추론하고 이에 기반하여 피드백을 제공하는 분수 학습 ITS (iTalk2Learn)를 개발하였다. 피드백은 감정 분석단계(analysis), 피드백의 유형 추론 단계(reasoning), 피드백 생성 단계(feedback)를 거쳐제공된다. 먼저, 학생의 감정 분석단계에서는 음성인식 기술을 사용하여 특정 감정 상태와 연관된 핵심어(예를 들어, “내 생각에 이 문제는 쉬워”라는 학생의 말에서 “쉬워”를 핵심어로 인식)를 식별하고 “음...” 또는 말 중단(pauses)과 같은운율 요소(prosodic features)를 분석한다. 또한, 학생이 ITS와 상호작용에서 요구한 피드백과 문제 해결에서 피드백의 사용 여부를 분석하여 학생의 감정 상태를 몰입(in flow), 좌절, 지루함, 혼란, 놀람으로 분류한다. 추론단계에서는 앞서 식별된 학생의 감정 상태와 피드백 사용 방식을 베이지안 추론을 통해 분석하여 피드백의 유형을 결정한다(Table 9 참조). 마지막으로, 피드백생성 단계에서는 학생의 감정 상태와 ITS와의상호작용에 기반하여 피드백의 전달 방식을 팝업(pop-up)창과 같이 직접적으로 제공할지 또는 간접적으로 제공(예를 들어, 힌트 전구가 깜빡거림)할지를 결정한다.

Table 9 . Examples of feedback types(Grawemeyer et al., 2017, p. 15).

피드백 유형예제
동기 부여잘했어. 넌 정말 열심히 하구나!
확신 제공훌륭해. 다음 과제를 해보자.
지시적 피드백분수를 비교하기 위해 비교 상자를 사용해봐.
다른 문제해결 피드백분수를 완성하려면 이제 무엇을 해야 할까?
반성적 피드백이 분수에서 무엇을 알아챘니?
설명 요구네가 한 것을 설명해줘.
과제 순서 확인이 문제를 정말 끝낸 것이 확실해? 문제를 다시 한번 읽어봐.


나. 대화형 ITS

수학교육 맥락에서 대화형 ITS가 사용된 논문은 Pai et al.(2020)에 의해 수행된 연구가 유일했다. Pai et al.은 대만의 초등학교 학생에게 시간(시, 분, 초)의 맥락에서 곱셈과 나눗셈을 가르치기 위한 대화형 ITS를 개발했다. 이를 위해 총 7개의 개념이 적용된 10개의 문항, 개념 간의 위계(예를 들어, 개념 1은 개념 2의 학습을 위한사전지식), 모범답안, 예측되는 답안, 오개념을도메인 모델에 포함하였다. 학생이 제출한 답안은 사전에 입력된 모범답안과 비교를 통해서 평가되고 이에 대한 맞춤형 피드백이 제공된다. 다음은 해당 ITS에서 학생과 ITS가 상호작용하는 사례이다(Pai et al., 2020, p. 7).

ITS(질문): 재단사가 드레스 한 벌을 만들기 위해 하루 4시간 20분씩 7일이 소요된다. 재단사가 4일 안에 드레스 한 벌을 만들려면 하루 몇 시간 몇 분씩 일해야 하는가?

학생: 4시간 20분 × 7 = 30시간 20분 = 1820분 ITS(Pump): 잘했어! 너는 드레스 한 벌을 제작 하는 데 1820분이 소요된다고 계산했구나! 이제 무엇을 해야 할까?

학생: 1820분 = 454분

ITS(힌트): 1820분은 드레스를 만드는 데 소요되는 총 시간이고, 우리는 4일 안에 만들어야 해. 매일 얼마나 많은 시간을 일해야 하는지 알기 위해서는 우리는 총 시간을 4로 나누어야 해. 여기서 사용할 수있는 수학적 표현은 무엇이 있을까?

학생: 나눗셈

ITS(질문): 잘했어! 다시 해보자. 문제는 재단사가 4일 안에 드레스를 만들기 위해서는 하루에 몇 시간 일해야 하는지야.

학생: 1820분 ÷ 4 = 455분

455분 = 7시간 35분

ITS(요약): 잘했어. 훌륭해! 이런 유형의 문제는 곱셈을 사용해서 7일 동안의 총 시간을 계산하고, 나눗셈을 사용하여 4일간 필요한 시간을 계산해서 해결하면 돼.

다. 협력학습 시스템

VanLehn et al.(2019)은 수학 모둠학습에서 한명의 교사가 여러 모둠의 학습 과정을 평가하는 것을 돕기 위해 AI 기반 협력학습 시스템인FACT을 설계하였다. FACT에서 각 모둠의 학생들은 태블릿을 사용하여 하나의 수학 포스터를 만들고 이를 동시에 수정하면서 수학 개념 학습에 참여한다. 교사는 자신의 태블릿을 사용하여개별 학생들의 학습을 관찰할 수 있으며, 학생들의 학습 진행 상태, 공통 오개념, 특정 모둠 방문 알림(alerts) 등에 관한 정보를 즉각적으로 받을 수 있다(Figure 8 참조). FACT는 교사의 모둠학습과 평가를 돕기 위해 결과 탐지(product detectors)와 과정 탐지(process detectors) 기능을 제공한다. 결과 탐지 기능은 모둠의 산출물(포스터)을 기대된 결과(모범답안)와 비교하여 학습결과를 평가하는 것을 의미한다. 과정 탐지 기능은 예를 들어 모둠 내 한 학생이 모든 과제를 혼자 해결할 때 또는 모둠 활동이 이루어지지 않고 모둠 내 학생들이 동시에 다른 과제를 수행할 때 교사에게 알림을 제공하여 모둠 방문을 유도하는 식으로 작동하면서 교사의 효과적인 모둠수업을 지원한다(VanLehn et al., 2019).

Figure 8. Teacher’s dashboard(VanLehn et al., 2019, p. 5)

비슷한 맥락에서 Schwarz et al.(2018)은 Geogebra 프로그램을 활용한 모둠학습에서 중요한 순간(critical moments)을 식별하여 교사의 태블릿을 통해 실시간으로 알려주는 협력학습 시스템인 SAGLET을 개발하였다. 교사는 SAGLET에서 개별 모둠의 학습을 실시간으로 관찰할 수 있고, 특정 모둠이 컴퓨터 사용에 관한 기술적문제가 있는지, 아무런 활동을 하고 있지 않은지, 주제에 벗어난 대화를 하고 있는지, 정답 또는 오답을 제출하였는지, 문제해결에 어려움에느끼는지, 질문이 있는지 등의 알림을 받는다(Figure 9 참조). 교사는 알림을 사용하여 모둠별맞춤형 피드백을 제공할 수 있다.

Figure 9. Teacher’s dashboard(Schwarz et al., 2018, p. 196)

이상에서 살펴본 바와 같이 수학교육에서 AI는 주로 학생의 학습 과정에 따라 맞춤형 수업(개인이든 모둠이든)을 제공하기 위해 설계되었다는 점에서 기존의 컴퓨터 기반 학습시스템과는 차별된다. 그러나 이러한 AI 기반 맞춤형 수업은 절차적이고 전형적인 문제 풀이를 위한 방식으로 구현되는 경향이 있었다. 또한, 학생의학습 동기와 흥미를 유발하기 위해 다양한 감정적 피드백을 제공하는 ITS가 개발되고 있었지만, 정서적ㆍ사회적 상호작용에 기반한 수업 구현에는 여전히 한계를 가지고 있었다.

V. 결론 및 논의

본 연구는 2015년부터 2020년까지 초ㆍ중등교육에서 AI를 사용한 국외 논문을 체계적으로 분석하고 수학교육 맥락에서 AI가 구현되는 구체적인 사례를 소개함으로써 AI를 활용한 교육의 의미와 방향을 이해하고 미래 (수학)교육 연구를위한 토대를 마련하고자 하였다. 본 연구의 주요결과는 다음과 같다. 먼저, 초ㆍ중등교육에서 AI는 수학, 언어, 과학 교과를 위주로 활용되고 있었고, 수학 교과 맥락에서 가장 빈번하게 활용되었다. 이는 수학이 기초적인 수준에서 잘 구조화 되어 있고, 명확한 답을 가지며, 개념 간의 학습위계가 뚜렷한 학문적 특성에 기인한다고 볼 수 있다(Holmes et al., 2019). 특히, 다수의 AI 관련 수학교육 연구가 일차방정식과 분수 개념 학습을 목적으로 진행되고 있다는 점이 이를 뒷받침한다. 초ㆍ중등교육에서 AI 연구는 주로 미국과대만이 주도적으로 수행하고 있었고 우리나라 연구가 해외에 보고된 사례는 Choi(2016)가 유일했다. 연구대상은 주로 초등학교와 중학교 학생을 대상으로 이루어졌고, 고등학교 학생과 교사에 관한 연구는 상대적으로 미흡했다. 이는 교육에서 AI와 관련 연구가 주로 초등학교와 중학교에서 다루는 기초 개념 학습을 위주로 개발되고 있음을 시사한다. 선행연구의 대부분은 양적연구방법을 사용하여 AI 활용의 교육적 효과를 집단간 비교를 통해 정량적으로 분석하였으며, 질적연구 방법은 6% 미만으로 나타났다. AI 교육시스템은 주로 단계별 교수와 맞춤형 피드백을 제공하는 단계형 ITS의 형태로 구현되었고, AI를활용한 수업에서 교사는 주도적인 역할을 하지 못하였다. 연구 결과를 토대로 AI를 활용한 미래초ㆍ중등교육에 관한 시사점을 제언하면 다음과 같다.

첫째, AI에 기반한 교수ㆍ학습시스템의 개발과연구의 필요성이 제기된다. 2018년에 발표된 국가별 AI 전략 추진 현황 보고에 따르면, 우리나라는 AI 연구와 산업 그리고 AI 핵심인재 유치에 국가적 전략과 투자가 집중되어있고 미래 교육에 대한 전략은 매우 취약한 것으로 나타났다(Dutton, Barron, & Boskovic, 2018). 본 연구에서도 우리나라 초ㆍ중등교육에서 AI를 적용한 사례는 거의 보고되지 않았다. 고등교육 맥락에서수행된 선행연구를 살펴봐도 결과는 다르지 않다. Zawacki-Richter et al.(2019)은 2007년부터2018년까지 고등교육에서 AI를 활용한 146편의 논문을 분석하였는데 우리나라 고등교육에서 AI를 활용한 연구는 한 편도 보고되지 않았다. 2019년 후반기 우리나라 정부는 AI 교육과 관련된 국가전략을 발표하였다(Ministry of Education, 2019 Ministry of Science & ICT, 2019). 따라서교육에서 AI 활용과 관련된 투자와 관심이 차츰높아질 것으로 생각된다. ITS 개발의 측면에서 살펴보면, 현재 해외에서 보고된 대부분의 ITS가단계형 ITS의 형태로 개발되었다는 점에 주목할필요가 있다. Soofi & Ahmed(2019)의 연구에 따르면, 2014년부터 2018년까지 개발된 ITS는Figures 34와 같이 주로 규칙 기반(rule-based) 알고리즘에 의해 설계되었고 데이터 마이닝과 인공신경망과 같은 기계학습과 딥러닝(deep learning)의 사용은 상대적으로 낮은 것으로 나타났다. 따라서 단순한 알고리즘을 사용하여 절차적 문제풀이식 학습을 제공하는 ITS를 넘어 대화형 ITS와 같은 학생의 생각을 가시적으로 드러낼수 있는 보완된 형태의 ITS 개발이 기대된다.

둘째, 교육 현장에서 ITS와 협력학습 시스템이효과적으로 활용될 수 있도록 AI 활용을 위한 지침과 교사교육의 필요성이 요구된다. 앞에서살펴본 Schwarz et al.(2018)VanLehn et al.(2019)의 협력학습 시스템은 면대면 또는 비대면 교육에서도 협력학습을 통한 수학 수업의 가능성을 보여주었다. 또한, Holmes et al.(2019)은AI 교수 시스템이 블렌디드 학습(blended learning) 또는 거꾸로 학습(flipped learning)에 활용되었을 때 효과적이라고 하였다. 이는 온라인기반 AI 시스템에서 학생의 활동이 로그 데이터(log data)로 기록된다는 점에서 교사는 학생의 온라인 학습 활동에 관한 정보를 얻을 수 있고 이에 대한 피드백과 면대면 수업에 활용할 수 있기 때문이다. 따라서 비대면 교육의 한계로 지적되는 학생의 낮은 수업 참여를 어느 정도 해소할 수 있을 것으로 생각된다. 그러나 새로운 교수법의 활용은 언제나 교사에게 부담으로 작용한다. 특히 경험 해보지 못한 AI 기반 시스템을 활용하는 것은 교사에게 큰 부담과 압박이 될 수 있다. 이를 위해 AI 교육시스템에 관한 현직및 예비교사의 인식조사가 선행되어야 할 것이다. 이를 토대로 예비교사 교육과 현직교사 재교육에서 AI 시스템 활용에 관한 교육을 점진적으로 진행하고, 교사가 이를 학교 현장에 효과적으로 통합할 수 있는 지침을 마련할 필요가 있다.

셋째, AI를 활용한 교육에서 교사의 역할에 관한 논의가 요구된다. 앞서 논의하였듯이 AI를 활용한 초ㆍ중등교육에서 교사는 교육 현장에 존재하지 않거나 보조적인 역할을 수행하는 것으로 나타났다. 이는 마치 교사의 역할이 AI로 대체 가능하다는 오해를 불러일으킬 수 있다. 그러나 Holmes et al.(2019)은 AI가 교사를 대신하여독자적인 교육을 수행할 수 있다고 보지 않는다.오히려 교사는 AI를 보조도구로 활용하여 교수의 질을 높이는 데 사용하면서 상호보완적인 관계를 맺을 필요가 있다(Kim, Park, Jeong, & Ko, 2018). 미래에 AI로 대체될 직종을 소개하는 많은 보고서에서 교사는 대체되기 어려운 직종으로 분류된다(예를 들어, Frey & Osborne, 2017). 이는 학생과의 관계 형성과 상호작용을 통한 감정적ㆍ정서적 교류(Kim et al., 2018)뿐만 아니라 정형화되지 않은 문제해결에서 교사의 전문가적 역할에 대한 기대가 내재되어 있기 때문이다. 그러나 교사의 역할을 정형화된 교과 지식 전달로 제한한다면 상황은 달라진다. 본 연구에서 살펴보았듯이 현재 개발된 ITS는 개별 학생의 특성에 따라 교과 문제를 절차적으로 해결하는 방법과 맞춤형 피드백을 효과적으로 제공하도록 훈련되어있기 때문이다. 따라서 AI 시대의 교사는AI를 통해 분석된 개별 학생, 모둠, 학급 전체의 데이터를 수업 설계에 활용하여 학생들의 요구에 맞는 높은 질의 수업을 구현해야 하며(You et al., 2019), 학생과의 정서적ㆍ사회적 상호작용에서 그들의 역량을 발휘해야 한다. 나아가 교사는 지식을 전달하는 역할이 아닌 학생의 문제해결 능력과 창의적 사고를 발달시킬 수 있는 역할이 요구되며 이를 위해 교사 교육자의 노력이 선행되어야 할 것이다.

넷째, 초ㆍ중등교육에서 AI 관련 연구의 대상과 연구 방법의 다양성이 요구된다. 본 연구에서는 선행연구의 대부분이 초등학교와 중학교 학생을 대상으로 정량적으로 이루어졌다는 점을 확인하였다. Xie et al.(2019)은 2007년 부터 2017년까지 수행된 맞춤형 학습에 관한 연구를 종합적으로 분석한 결과 연구의 90%는 ITS와 같은맞춤형 학습이 학생의 인지적 영역에 긍정적인 영향을 주는 것으로 보고하였고, 정의적 영역에 긍정적인 영향을 준다고 보고한 연구는 96%에달했다. 이는 ITS가 학생의 인지적ㆍ정의적 영역에 가져다주는 영향이 크다고 해석할 수 있지만, 편향된 연구 방법의 사용은 연구 결과의 신뢰성을 낮출 수 있다. 후속 연구에서는 정성적 연구와 정량적 연구 방법의 균형 있는 사용을 통해 AI 교육시스템이 학생의 인지적ㆍ정의적 영역에미치는 영향을 보다 심도 있게 검토할 필요가 있다.

본 연구는 초ㆍ중등교육에서 AI 활용 사례를종합적으로 분석함으로써 현재 진행되고 있는 AI 교육에 관한 전반적인 이해를 제공했다는 점에서 연구의 의의가 있다. AI를 초ㆍ중등교육에 바람직한 방향으로 통합하기 위해서는 교육학자와 컴퓨터 과학자와의 공동의 노력이 요구되며, AI가 가져다주는 교육적 요소를 효과적으로 활용할 수 있는 방안이 지속적으로 논의 되어야 할 것이다.

Footnote

1) This research was supported by Basic Science Research Program through the National Research Foundation of Korea(NRF) funded by the Ministry of Education(NRF-2020R1I1A1A01072637)

2) 사실 AI라는 용어는 1956년 미국의 Dartmouth 대학에서 열린 학회에서 인지과학자 John McCarthy에 의해 처음 사용되었던 만큼 오랜 역사를 가지고 있다(Russell & Norvig, 2016).

3) 이러한 형태의 실험은 1950년 Alan Turing이 고안한 방법으로, 특정 시스템이 인간과 같은 지능적 행동을 할 수 있는지를 검사하는 데 사용되었다. 현재 튜링 테스트(Turing Test)라고 불린다.

4) 1997년 이후 학술지명이 으로 변경됨.

5) www.webofknowledge.com

6) 사전 설문조사에서 학생들은 주어진 10개의 영역(음악, 예술, 휴대폰, 음식, 컴퓨터, 게임, 상점, TV, 영화, 스포츠) 중 관심 영역에 대해 답하였다(Bernacki & Walkington, 2018).

Fig 1.

Figure 1. Definitions of AI(Russell & Norvig, 2016, p. 5)
Journal of Educational Research in Mathematics 2020; 30: 531-552https://doi.org/10.29275/jerm.2020.08.30.3.531

Fig 2.

Figure 2. Paper selection processes
Journal of Educational Research in Mathematics 2020; 30: 531-552https://doi.org/10.29275/jerm.2020.08.30.3.531

Fig 3.

Figure 3. Algorithm for developing an ITS(Wongwatkit et al., 2017, p. 893)
Journal of Educational Research in Mathematics 2020; 30: 531-552https://doi.org/10.29275/jerm.2020.08.30.3.531

Fig 4.

Figure 4. Algorithm for developing an ITS(Wu et al., 2017, p. 65)
Journal of Educational Research in Mathematics 2020; 30: 531-552https://doi.org/10.29275/jerm.2020.08.30.3.531

Fig 5.

Figure 5. A prompt used to improve students’ metacognitive knowledge monitoring ability(Kautzmann & Jaques, 2019, p. 97)
Journal of Educational Research in Mathematics 2020; 30: 531-552https://doi.org/10.29275/jerm.2020.08.30.3.531

Fig 6.

Figure 6. A motivational message provided by Mindspark(Rajendran et al., 2018, p. 93)
Journal of Educational Research in Mathematics 2020; 30: 531-552https://doi.org/10.29275/jerm.2020.08.30.3.531

Fig 7.

Figure 7. A happy and surprise facial expression(Bringula et al., 2018, p. 710)
Journal of Educational Research in Mathematics 2020; 30: 531-552https://doi.org/10.29275/jerm.2020.08.30.3.531

Fig 8.

Figure 8. Teacher’s dashboard(VanLehn et al., 2019, p. 5)
Journal of Educational Research in Mathematics 2020; 30: 531-552https://doi.org/10.29275/jerm.2020.08.30.3.531

Fig 9.

Figure 9. Teacher’s dashboard(Schwarz et al., 2018, p. 196)
Journal of Educational Research in Mathematics 2020; 30: 531-552https://doi.org/10.29275/jerm.2020.08.30.3.531

Table 1 Inclusion and exclusion criteria

기준내용
포함초•중등 교과교육 관련 연구
AI를 통한 교육적 효과를 검토한 실험연구
배제유아교육 및 고등교육 관련 연구
AI 개발과 성능을 공학적으로 검토한 연구
문헌 연구 및 이론 연구
논문에서 사용된 언어가 영어가 아닌 연구

Table 2 Subject and specific contents that used AI

교과세부 교과 영역빈도
수학수와 연산(11), 문자와 식(8)*,
함수(2)*, 측정(1), 기하(1)
23
언어읽기(8), 문법(2), 단어학습(2), 듣기(1), 쓰기(1),14
과학지구과학(5), 물리(4), 생물(3), 화학(1)13
사회지리(2), 역사(1)*3
합계53

* : 중복된 교과/단원을 다룬 연구를 포함


Table 3 Country where AI-based research in education has been conducted

대륙국가빈도
아시아대만(9), 인도(2), 한국(1), 중국(1), 태국(1), 터키(1), 마닐라(1), 이스라엘(1), 파키스탄(1)18
북미미국(17)*17
유럽영국(5)*, 스페인(4), 슬로베니아(2) 스위스(1), 네덜란드(1), 독일(1), 리투아니아(1)15
남미브라질(1), 칠레(1)2
합계52

* : 중복된 국가에서 수행된 연구를 포함


Table 4 Distribution of research participants

초등학교중학교고등학교
학생22227
교사422

Table 5 Distribution of research methods

양적 연구질적 연구혼합 연구
4335

Table 6 Type of AI systems in education and hardware used to implement it

하드웨어
컴퓨터태블릿로봇
시스템단계형 ITS3433
대화형 ITS301
협력학습 시스템310
유러닝020
AR010

Table 7 Teacher role in AI-integrated education

교사의 역할AI의 역할빈도
맞춤형 수업 진행학생 정보 제공8
학습 보조맞춤형 수업 진행20
배제 또는 명시되지 않음23

Table 8 An example of personalized story problem(Bernacki & Walkington, 2018, p. 869)

기존 문항맞춤형 문항
우주 왕복선에서 크롤러라는 기계는 초속 2.9피트로 움직인다. 크롤러는 현재 지점에서 100피트 떨어진 발사대로 이동 중이다.자동차 게임에서 초당 2.9피트로 달리는 차가 있다. 이 차는 시작 지점에서 100피트 떨어진 결승선을 향해 달리고 있다.

Table 9 Examples of feedback types(Grawemeyer et al., 2017, p. 15)

피드백 유형예제
동기 부여잘했어. 넌 정말 열심히 하구나!
확신 제공훌륭해. 다음 과제를 해보자.
지시적 피드백분수를 비교하기 위해 비교 상자를 사용해봐.
다른 문제해결 피드백분수를 완성하려면 이제 무엇을 해야 할까?
반성적 피드백이 분수에서 무엇을 알아챘니?
설명 요구네가 한 것을 설명해줘.
과제 순서 확인이 문제를 정말 끝낸 것이 확실해? 문제를 다시 한번 읽어봐.

References

  1. Alfaro, L., et al (2020). A review of intelligent tutorial systems in computer and web based education. International Journal of Advanced Computer Science and Applications. 11(2), 755-763.
    CrossRef
  2. Baker, T. & Smith, L. (2019). Educ-AI-tion rebooted? Exploring the future of artificial intelligence in schools and colleges. https://media.nesta.org.uk/documents/Future_of_AI_and_education_v5_WEB.pdf [2020.06.28].
  3. Bernacki, M. L. & Walkington, C. (2018). The role of situational interest in personalized learning. Journal of Educational Psychology. 110(6), 864-881.
    CrossRef
  4. Bringula, R. P., Fosgate Jr, I. C. O., Garcia, N. P. R. & Yorobe, J. L. M. (2018). Effects of pedagogical agents on students’ mathematics performance: A comparison between two versions. Journal of Educational Computing Research. 56(5), 701-722.
    CrossRef
  5. Cabestrero, R., et al (2018). Some insights into the impact of affective information when delivering feedback to students. Behaviour & Information Technology. 37(12), 1252-1263.
    CrossRef
  6. Chassignol, M., Khoroshavin, A., Klimova, A. & Bilyatdinova, A. (2018). Artificial Intelligence trends in education: a narrative overview. Procedia Computer Science. 136, 16-24.
    CrossRef
  7. Chen, H., Park, H. W. & Breazeal, C. (2020). Teaching and learning with children: Impact of reciprocal peer learning with a social robot on children’s learning and emotive engagement. Computers & Education. 150, 103836.
  8. Choi, I. C. (2016). Efficacy of an ICALL tutoring system and process-oriented corrective feedback. Computer Assisted Language Learning. 29(2), 334-364.
    CrossRef
  9. Chung, J, Y. (2016). A study on the design of school system preparing for intelligence information society. Korean Journal of Educational Administration. 34(3), 49-71. 정제영(2016). 지능정보사회에 대비한 학교교육 시스템 재설계 연구. 교육행정학연구, 34, 49-71.
  10. Cole, R., et al (2018). One-on-one and small group conversations with an intelligent virtual science tutor. Computer Speech & Language. 50, 157-174.
    CrossRef
  11. Connor, C. M. (2019). Using technology and assessment to personalize instruction: Preventing reading problems. Prevention Science. 20(1), 89-99.
    Pubmed KoreaMed CrossRef
  12. Dolenc, K. & Aberšek, B. (2015). TECH8 intelligent and adaptive e-learning system: Integration into Technology and Science classrooms in lower secondary schools. Computers & Education. 82, 354-365.
    CrossRef
  13. Drigas, A. S. & Ioannidou, R. E. (2012). Artificial intelligence in special education: A decade review. International Journal of Engineering Education. 28(6), 1366-1372.
  14. Dutton, T., Barron, B. & Boskovic, G. (2018). Building an ai world: Report on national and regional ai strategies. https://www.cifar.ca/docs/default-source/ai-society/buildinganaiworld_eng.pdf [2020.07.06].
  15. Faber, J. M., Luyten, H. & Visscher, A. J. (2017). The effects of a digital formative assessment tool on mathematics achievement and student motivation: Results of a randomized experiment. Computers & Education. 106, 83-96.
    CrossRef
  16. Frey, C. B. & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change. 114, 254-280.
    CrossRef
  17. Gerard, L., Kidron, A. & Linn, M. C. (2019). Guiding collaborative revision of science explanations. International Journal of Computer-Supported Collaborative Learning. 14(3), 291-324.
    CrossRef
  18. González, Calero, J. A., Arnau, D., Puig, L. & Arevalillo-Herráez, M. (2015). Intensive scaffolding in an intelligent tutoring system for the learning of algebraic word problem solving. British Journal of Educational Technology. 46(6), 1189-1200.
    CrossRef
  19. Graesser, A. C., Conley, M. W. & Olney, A. M. (2012). Intelligent tutoring systems. In S. Graham, & K. Harris (Eds.),. APA educational psychology handbook. vol. 3. Applications to learning and teaching(pp. 451-473), DC.
  20. Grawemeyer, B., et al (2017). Affective learning: improving engagement and enhancing learning with affect-aware feedback. User Modeling and User-Adapted Interaction. 27(1), 119-158.
    CrossRef
  21. Hinojo-Lucena, F. J., et al (2019). Artificial intelligence in higher education: A bibliometric study on its impact in the scientific literature. Education Sciences. 9(1), 51.
    CrossRef
  22. Holmes, W., Bialik, M. & Fadel, C. (2019). Artificial intelligence in education. Boston: Center for Curriculum Redesign. 정제영, 이선복 공역(2020). 인공지능 시대의 미래교육. 서울: 박영스토리.
    CrossRef
  23. Huang, X., Craig, S. D., Xie, J., Graesser, A. & Hu, X. (2016). Intelligent tutoring systems work as a math gap reducer in 6th grade after-school program. Learning and Individual Differences. 47, 258-265.
    CrossRef
  24. Ibanez, M. B., Di-Serio, A., Villaran-Molina, D. & Delgado-Kloos, C. (2015). Support for augmented reality simulation systems: The effects of scaffolding on learning outcomes and behavior patterns. IEEE Transactions on Learning Technologies. 9(1), 46-56.
    CrossRef
  25. Jackson, G. T., Castellano, K. E., Brockway, D. & Lehman, B. (2018). Improving the measurement of cognitive skills through automated conversations. Journal of Research on Technology in Education. 50(3), 226-240.
    CrossRef
  26. Kang, D J., et al (2020). COVID19, woke up education in Koreaa. Seoul: Knowledge Smith. 강대중 외 16명(2020). 코로나19, 한국 교육의 잠을 깨우다. 서울: 지식공작소.
    CrossRef
  27. Kautzmann, T. R. & Jaques, P. A. (2019). Effects of adaptive training on metacognitive knowledge monitoring ability in computer-based learning. Computers & Education. 129, 92-105.
    CrossRef
  28. Kim, H. K., Park, C., Jeong, S. & Ko, H. K. (2018). A view on complementary relation of human teacher and AI teacher in future education,. Journal of Education & Culture. 24(6), 189-207. 김홍겸, 박창수, 정시훈, 고호경(2018). 미래 교육에서의 인간 교사와 인공지능 교사의 상 호보완적 관계에 대한 소고. 교육문화연구, 24(6), 189-207.
  29. Kim, W, S. (2017). A study on the recognition of freshman on computational thinking as essential course. Culture and Convergence. 39(6), 141-170. 김완섭(2017). 교양필수로서의 컴퓨팅적사고 과목에 대한 신입생들의 인식 연구: 숭실대학교 2017-1학기 수강자 설문조사를 중심으로. 문화와융합, 39(6), 141-170.
    CrossRef
  30. Kitchenham, B. & Charters, S. (2007). Guidelines for performing systematic literature reviews in software engineering (Version 2.3). Keele University and Durham University.
  31. Kurilovas, E., Zilinskiene, I. & Dagiene, V. (2015). Recommending suitable learning paths according to learners’ preferences: Experimental research results. Computers in Human Behavior. 51, 945-951.
    CrossRef
  32. Li, W., Chiu, C. K. & Tseng, J. C. (2019). Effects of a personalized navigation support approach on students’ context-aware ubiquitous learning performances. Journal of Educational Technology & Society. 22(2), 56-70.
  33. Long, Y. & Aleven, V. (2017). Educational game and intelligent tutoring system: A classroom study and comparative design analysis. ACM Transactions on Computer-Human Interaction. 24(3), 1-27.
  34. Luckin, R., Holmes, W., Griffiths, M. & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson Education, London.
  35. Ministry of Education (2019). Solution of ranking high school and the ways to strengthen the educational capacity of general high schools. Seoul: Author. 교육부(2019). 고교서열화 해소 및 일반고 교육역량 강화 방안. 서울: 저자.
  36. Ministry of Science & ICT (2019). National strategy for artificial intelligence. Seoul: Author. 과학기술정보통신부(2019). 인공지능(AI) 국가전략. 서울: 저자.
  37. Olsen, J. K., Rummel, N. & Aleven, V. (2019). It is not either or: An initial investigation into combining collaborative and individual learning using an ITS. International Journal of Computer-Supported Collaborative Learning. 14(3), 353-381.
    CrossRef
  38. Pai, K. C., Kuo, B. C., Liao, C. H. & Liu, Y.M. (2020). An application of Chinese dialogue-based intelligent tutoring system in remedial instruction for mathematics learning. Educational Psychology. Advance online publication.
    CrossRef
  39. Phillips, A., Pane, J. F., Reumann-Moore, R. & Shenbanjo, O. (2020). Implementing an adaptive intelligent tutoring system as an instructional supplement. Educational Technology Research and Development. Advance online publication.
    CrossRef
  40. Rajendran, R., Iyer, S. & Murthy, S. (2018). Personalized affective feedback to address students’ frustration in ITS. IEEE Transactions on Learning Technologies. 12(1), 87-97.
    CrossRef
  41. Reinhold, F., Hoch, S., Werner, B., Richter-Gebert, J. & Reiss, K. (2020). Learning fractions with and without educational technology: What matters for high-achieving and low-achieving students? Learning and Instruction. 65, 101264.
    CrossRef
  42. Russell, S, J. & Norvig, P. (2016). Artificial intelligence: A modern approach. New Jersey: Prentice Hall.
    CrossRef
  43. Ryoo, K. & Linn, M. C. (2016). Designing automated guidance for concept diagrams in inquiry instruction. Journal of Research in Science Teaching. 53(7), 1003-1035.
    CrossRef
  44. Schwarz, B. B., et al (2018). Orchestrating the emergence of conceptual learning: A case study in a geometry class. International Journal of Computer-Supported Collaborative Learning. 13(2), 189-211.
    CrossRef
  45. Soofi, A, A. & Ahmed, M, U. (2019). A systematic review of domains, techniques, delivery modes and validation methods for intelligent tutoring systems. International Journal of Advanced Computer Science and Applications. 10(3), 99-107.
    CrossRef
  46. Steenbergen-Hu, S. & Cooper, H. (2013). A meta- analysis of the effectiveness of intelligent tutoring systems on K-12 students’ mathematical learning. Journal of Educational Psychology. 105(4), 970-987.
  47. Tafazoli, D., María, E. G. & Abril, C. A. H. (2019). Intelligent language tutoring system: Integrating intelligent computer-assisted language learning into language education. International Journal of Information and Communication Technology Education. 15(3), 60-74.
  48. VanLehn, K., et al (2019). Interactive Learning Environments. Advance online publication.
  49. Weintrop, D., et al (2016). Defining computational thinking for mathematics and science classrooms. Journal of Science Education and Technology. 25(1), 127-147.
    CrossRef
  50. Wongwatkit, C., Srisawasdi, N., Hwang, G. J. & Panjaburee, P. (2017). Influence of an integrated learning diagnosis and formative assessment-based personalized web learning approach on students learning performances and perceptions. Interactive Learning Environments. 25(7), 889-903.
    CrossRef
  51. Wu, H. M., Kuo, B. C. & Wang, S. C. (2017). Computerized dynamic adaptive tests with immediately individualized feedback for primary school mathematics learning. Journal of Educational Technology & Society. 20(1), 61-72.
  52. Xie, H., Chu, H. C., Hwang, G. J. & Wang, C. C. (2019). Trends and development in technology-enhanced adaptive/personalized learning: A systematic review of journal publications from 2007 to 2017. Computers & Education. 140, 103599.
  53. Yin, P. Y., Chuang, K. H. & Hwang, G. J. (2016). Developing a context-aware ubiquitous learning system based on a hyper-heuristic approach by taking real-world constraints into account. Universal Access in the Information Society. 15(3), 315-328.
    CrossRef
  54. You, X., Li, M., Xiao, Y. & Liu, H. (2019). The feedback of the Chinese learning diagnosis system for personalized learning in classrooms. Frontiers in Psychology. 10, 1-13.
    Pubmed KoreaMed CrossRef
  55. Zawacki-Richter, O., Marín, V.I., Bond, M. & Gouverneur F. (2019). Systematic review of research on artificial intelligence applications in higher education-where are the educators? International Journal of Educational Technology in Higher Education. 16, 1-27.

Journal Info

Korea Society of Education Studies in Mathematics

Vol.32 No.2
2020-08-31

pISSN 2288-7733
eISSN 2288-8357

Frequency : Quarterly

Stats or Metrics

Share this article on :

  • line