Game-Based and Gamified Robotics Education: A Comparative Systematic Review and Design Guidelines

Mubarrat 외의 논문 "게임 기반 및 게임화 로봇 교육: 비교 체계적 검토 및 설계 가이드라인"에 대한 상세한 기술적 요약입니다.

1. 문제 제기

로봇 교육은 21 세기 역량 (계산적 사고, 문제 해결, 창의성) 을 함양하는 핵심 수단이지만, 기술적 복잡성, 가파른 학습 곡선, 높은 자원 요구 사항으로 인해 상당한 장벽에 직면해 있습니다. 게임 기반 학습 (GBL)(학습을 위한 완전한 게임 사용) 과 게임화(점수/배지 등 게임 요소를 비게임 맥락에 통합) 는 STEM 분야 참여도 향상에 널리 인정받고 있지만, 로봇 교육에서의 구체적인 비교 효과는 여전히 불분명합니다.

기존 문헌은 네 가지 지속적인 격차에 시달리고 있습니다:

1. 분산된 증거: 로봇 교육에 특화된 GBL 과 게임화 간의 체계적 비교가 부족합니다.
2. 기술 불균형: 초급 프로그래밍과 모듈식 키트에 대한 과도한 의존으로 인해 고급 소프트웨어, 하드웨어 및 시스템 사고의 통합이 제한적입니다.
3. 기술적 낙후: 몰입형 기술 (VR, 햅틱) 과 비공식 학습 맥락의 활용도가 낮습니다.
4. 방법론적 약점: 단기 연구가 우세하며, 엄격한 종단 학습 결과 평가 대신 자기 보고식 데이터에 의존하는 경향이 있습니다.

2. 방법론

저자들은 2014 년부터 2025 년까지를 대상으로 PRISMA 에 부합하는 체계적 문헌 검토를 수행했습니다.

• 데이터 수집:
  • 데이터베이스: Scopus, ProQuest, IEEE Xplore, ACM 디지털 라이브러리.
  • 검색 규모: 12,485 건의 기록을 검색; 엄격한 선별 과정을 거쳐 최종 종합에 95 건의 연구가 포함되었습니다.
  • 포함 기준: 로봇 교육에서 GBL 또는 게임화에 초점을 맞추며, 프로그래밍, 소프트웨어 개발, 또는 로봇 시스템 이해를 가르치는 연구.
• 코딩 및 분석:
  • 코딩된 변수: 접근 방식 유형 (GBL 대 게임화), 학습 맥락 (공식 대 비공식), 교육적 모델, 기술 수준 (초급/중급/고급), 개입 양식, 몰입형 기술 사용, 그리고 결과.
  • 신뢰도: 10 년 이상의 경력을 가진 두 명의 평가자가 매우 높은 평가자 간 신뢰도 (Cohen's $\kappa$ = .918) 를 달성했습니다.
  • 통계 분석: 학습 향상 패턴과 예측 요인을 식별하기 위해 기술 통계, 교차표, 피어슨의 $\chi^2$ 검정, 피셔의 정확한 검정, 탐색적 로지스틱 회귀를 포함한 혼합 방법 종합을 수행했습니다.
  • 품질 평가: 편향 위험을 평가하기 위해 **혼합 방법 평가 도구 (MMAT)**와 ROBINS-I을 사용했으며, 많은 비무작위 연구에서 기술적 설계가 우세하고 '심각한' 편향 위험이 있음을 드러냈습니다.

3. 주요 기여

1. 최초 비교 종합: 이 연구는 로봇 교육 내에서 GBL 과 게임화를 엄격하게 나란히 비교한 최초의 체계적 종합을 제공합니다.
2. 설계 공간 프레임워크: 접근 방식, 맥락, 교육학의 교차점에 기반한 모범 사례, 함정, 결과를 제시하는 구조화된 설계 공간 (그림 14 시각화) 을 제안합니다.
3. 단계적 진화 모델: 학습자의 준비도에 따라 과제, 발판, 평가를 정렬하도록 안내하는 3 단계 학습자 진화 모델 (초보자 $\to$ 중급 $\to$ 고급) 을 도입합니다.
4. 여덟 가지 연구 방향: 적응형 시스템, 포용적 설계, 몰입형 다중 모드 통합, AI 기반 코칭을 포함한 구체적인 미래 연구 방향을 식별합니다.

4. 주요 결과 및 발견

A. 접근 방식–맥락–교육학 결합

• 맥락적 분할: 게임화는 기존 교육과정에 통합하기 쉬워 (예: 점수, 배지) 공식 교육 환경에서 압도적으로 우세합니다 (85.3%). GBL은 비교적 고르게 분포되어 있지만, 유연하고 개방적인 탐구가 가능한 비공식 환경에서 훨씬 더 많이 나타납니다 (54.1%).
• 교육적 정렬:
  • 게임화 연구는 프로젝트 기반 학습 (PBL)(71.4%) 과 경험적 전략을 선호합니다.
  • GBL 연구는 게임화 연구 (25.7%) 에 비해 구성주의 교육학 (49.2%) 을 더 강력하게 선호합니다.
• 통계적 유의성: 접근 방식과 맥락 간의 결합은 통계적으로 유의미합니다 ($p < .001$).

B. 기술 수준 및 기술

• 기술 초점: 이 분야는 초급 프로그래밍(초급/중급) 과 모듈식 키트(예: LEGO Mindstorms, micro:bit) 에 크게 치우쳐 있습니다.
  • 고급 소프트웨어: 연구의 약 17% 만 고급 소프트웨어 개발을 다뤘습니다.
  • 고급 하드웨어: 연구의 약 5% 만 고급 하드웨어 통합을 다뤘습니다.
  • 단절: 고급 프로그래밍은 종종 로봇 시스템 이해와 분리되어 가르쳐져, 전체적 역량에 대한 격차를 만듭니다.
• 몰입형 기술: 사용률은 낮습니다. 연구의 **약 22%**만 몰입형 기술을 활용했습니다. VR이 가장 일반적이며, 햅틱은 embodied learning(구체적 학습) 의 잠재력에도 불구하고 거의 사용되지 않습니다 (<5%).

C. 학습 결과 및 동기

• 비교적 효과성: 정량화 가능한 학습 향상 또는 정서적 결과 (동기, 참여도) 에 있어 GBL 과 게임화 간 통계적으로 유의미한 차이는 없었습니다. 둘 다 효과적이지만, 그 성공은 학습 맥락과 교육학에 크게 의존합니다.
• 맥락적 영향: 공식 맥락은 정량화 가능한 학습 향상을 보고할 가능성이 더 높았으며 ($p = .049$), 비공식 맥락은 접근성과 내재적 동기 부여에서 뛰어났습니다.
• 몰입형 기술 영향: VR/햅틱을 사용한 연구는 공간 추론과 참여도에서 긍정적인 경향을 보였으나, 표본 크기가 종종 작았습니다.

D. 식별된 한계

• 방법론적 결함: 자기 보고식 데이터에 대한 높은 의존성, 작은 표본 크기, 통제 집단 부재, 그리고 짧은 연구 기간 (종종 단일 세션 또는 단기 과정).
• 도전 과제: 높은 자원 집약성, 기술적 결함 (소프트웨어/하드웨어), 게임화된 경쟁 환경에서의 인지 과부하, 그리고 시간이 지남에 따라 사라지는 '신기함 효과'.

5. 중요성 및 함의

이 논문은 GBL 과 게임화를 경쟁적인 선택지로 보는 담론을 근본적으로 전환하여, 교육학과 맥락에 의해 매개되는 상호 보완적 도구로 이해하도록 합니다.

• 설계자를 위해: 제안된 설계 공간은 실행 가능한 가이드라인을 제공합니다. 예를 들어, 공식 교실은 PBL 내에서 미시적 행동을 발판으로 삼기 위해 게임화를 활용해야 하는 반면, 비공식 환경은 구성주의적, 개방적 탐구를 위해 전체 GBL 을 활용해야 합니다.
• 교육자를 위해: 연구 결과는 '장난감' 로봇을 넘어설 필요성을 시사합니다. 교육자들은 블록 기반 코딩과 고급 시스템 통합 (예: ROS, 맞춤형 하드웨어) 간의 격차를 해소하는 진화 단계에 민감한 교육과정을 설계해야 합니다.
• 연구자를 위해: 혼합 방법, 성과 분석, 다양하고 포용적인 집단을 활용한 엄격한 종단 연구에 대한 요구가 중요합니다. 향후 연구는 특정 게임 메커니즘이 로봇 분야의 심층 시스템 사고로 어떻게 전환되는지에 대한 '블랙박스'를 해결해야 합니다.

결론적으로, 이 논문은 단편적이고 신기함 중심의 개입에서 지속 가능하고 확장 가능하며 교육적으로 통합된 학습 생태계로 로봇 교육을 진화시키기 위한 기초적인 로드맵을 제공합니다.