기술 요약: 증강 현실 지원 로봇 프로그래밍에서 공간 능력의 영향 조사

문제 제기

증강 현실(AR)은 3D 시각화, 상황 학습(situated learning), 몰입감을 통해 학습을 향상시킬 수 있는 잠재력이 있는 것으로 널리 인식되고 있으나, AR이 학습 성과에 영향을 미치는 구체적인 메커니즘은 여전히 완전히 이해되지 않은 상태로 남아 있다. 기존 문헌은 AR의 효능에 대해 상충하는 결과들을 제시하며, 종종 개별 학습자의 특성을 고려하지 못하고 있다. 특히, 공간 관계를 지각하고 해석하며 정신적으로 조작하는 인지적 기술인 **공간 능력(spatial ability)**이 AR 지원 학습에서 수행하는 역할은 모호하다. 일부 연구는 높은 공간 능력이 AR의 이점을 강화한다는 점을 시사하는 반면(능력-강화 가설, "ability-as-enhancer"), 다른 연구들은 AR이 낮은 공간 능력을 보완한다고 제안한다(능력-보완 가설, "ability-as-compensator").

본 연구는 이러한 격차를 공간적 복잡성(3D 위치, 방향 및 움직임의 이해)을 본질적으로 요구하는 작업인 로봇 프로그래밍 영역 내에서 다룬다. 연구 질문은 다음과 같다:

1. AR이 전통적인 방식에 비해 로봇 프로그래밍의 학습 경험을 개선하는가?
2. 공간 능력은 이 맥락에서 학습 경험에 어떻게 영향을 미치는가?
3. AR이 공간 능력과 학습 경험 사이의 관계를 조절하는가?

연구 방법론

실험 설계

본 연구는 $N=71$명의 참가자를 대상으로 한 **피험자 간 무작위 실험(between-subjects randomized experiment)**을 채택하였다. 참가자들은 다음 두 가지 조건 중 하나에 배정되었다:

• 대조군 (Control Group): 제어용으로 기존의 로봇 티치 펜던트(Universal Robots PolyScope 5.0)를 사용하고, 학습을 위해 PDF 지침이 표시되는 태블릿을 사용하였다.
• 실험군 (AR Group): 커스텀 Unity 애플리케이션이 실행되는 Meta Quest 3(비디오 투시형 HMD)를 사용하였다. 이 애플리케이션은 티치 펜던트의 핵심 기능을 재현하면서도 AR 특유의 시각화 기능을 추가하였다.

학습 과업

참가자들은서 로봇 팔(UR5e)과 OnRobot RG2 그리퍼를 사용하여 픽 앤 플레이스(pick-and-place) 시퀀스를 실행하도록 프로그래밍하는 법을 배웠다. 과업에는 다음이 포함되었다:

• 관절 회전 대 이동 운동(툴 중심점 - TCP)의 이해.
• 웨이포인트(waypoint) 프로그래밍 및 충돌 회피 처리.
• 워크피스를 캐리어 간에 이동시키기 위한 최종 프로그램 실행.
  이 과업은 인지 부하를 유발할 만큼 충분히 도전적이면서도, 로봇 관련 사전 지식이 없는 초보자들도 접근 가능하도록 설계되었다.

AR 중재 (Intervention)

AR 애플리케이션은 HMD의 기능을 활용하여 세 가지 특정 공간 증강을 제공하였다:

1. 회전 시각화 (Rotation Visualization): 회전하는 관절 위에 축과 방향을 나타내는 동적 화살표를 오버레이함.
2. 좌표계 시각화 (Coordinate System Visualization): 사용자의 관점에서 상대적인 이동 축에 대한 이해를 돕기 위해, TCP의 실제 위치에 세계 좌표계를 직접 시각화함.
3. 경로 시각화 (Path Visualization): 저장된 웨이포인트와 프로그램 경로를 3D 공간에서 연결된 다이아몬드 형태의 객체로 시각화하여, 사용자가 실행 경로를 미리 추적할 수 있도록 함.

측정 항목

• 공간 능력: **정신 회전 검사(Mental Rotation Test, MRT)**를 통해 평가함.
• 학습 경험: 다음을 사용하여 측정함:
  • 시스템 사용성 척도 (System Usability Scale, SUS): 인지된 사용성을 평가하기 위함.
  • 인지 부하 (Cognitive Load): 외재적 인지 부하(ECL), 내재적 인지 부하(ICL), **본질적 인지 부하(GCL)**를 구분하는 검증된 평정 척도를 사용함.
• 통제 변수: 기술 친화도(ATI), 로봇/프로그래밍/AR 관련 사전 경험, 성별.

분석

통계 분석에는 기술 통계, 상관 분석 및 다중 선형 회귀 모델이 포함되었다. MRT 점수와 학습 성과 사이의 조절 효과를 탐색하기 위해 하위 그룹 분석이 수행되었다.

주요 결과

1. 전체 학습 경험 (RQ1)

AR이 학습 경험을 유의미하게 개선할 것이라는 가설과 달리, AR과 대조군 사이에 통계적으로 유의미한 차이가 발견되지 않았다. 구체적으로 다음 항목에서 차이가 없었다:

• 외재적 인지 부하 (ECL): AR은 대조군에 비해 ECL을 유의미하게 감소시키지 못했다.
• 시스템 사용성 (SUS): 두 그룹 모두 높은 사용성을 보고하였다 (AR: $M=82.57$, 대조군: $M=79.29$). 유의미한 차이는 없었다.
• 내재적 및 본질적 인지 부하: 유의미한 차이가 관찰되지 않았다.
  저자들은 대조군 조건이 이미 매우 효과적(교육적으로 타당함)이었으며, 이로 인해 AR 중재의 이점이 관찰되는 것을 제한하는 천장 효과(ceiling effect)가 발생했을 가능성을 언급하였다.

2. 공간 능력의 영향 (RQ2)

전체 표본에 걸쳐, 공간 능력(MRT 점수)은 학습 경험의 유의미한 예측 변수였다.

• ECL과의 음의 상관관계: 높은 공간 능력은 낮은 외재적 인지 부하와 상관관계가 있었다 ($p < .01$).
• 사용성과의 양의 상관관계: 높은 공간 능력은 높은 SUS 점수와 상관관계가 있었다 ($p < .01$).
• ICL 또는 GCL과의 연관성 없음: 공간 능력은 내재적 또는 본질적 인지 부하를 유의미하게 예측하지 않았다.

3. AR의 조절 효과 (RQ3)

탐색적 하위 그룹 분석 결과, AR의 **보완적 효과(compensatory effect)**를 시사하는 뚜렷한 패턴이 드러났다:

• 대조군: 공간 능력과 학습 경험 사이에 강한 관계가 존재했다. 높은 MRT 점수는 유의미하게 낮은 ECL과 높은 SUS를 예측했다.
• AR 그룹: 이러한 관계가 사라졌다. AR 조건에서는 공간 능력이 ECL이나 SUS를 예측하는 유의미한 변수가 되지 못했다.
  이는 AR 지원이 일반적으로 낮은 공간 능력을 가진 학습자들이 겪는 불이익을 완화하여, 학습의 기회를 평등하게 만들어 주었음을 나타낸다.

의의 및 주장

본 논문은 이 특정되고 통제된 환경에서 AR이 보편적으로 전통적인 방식을 능가하지는 못했지만, 그 주요 가치는 보완적 기능에 있다고 주장한다.

• 강화보다 보완 (Compensation over Enhancement): 본 연구는 이 맥락에서 "능력-강화" 가설에 도전하며, "능력-보완" 가설에 대한 근거를 제공한다. AR은 복잡한 공간 관계(예: 좌표계 및 경로 시각화)를 외부화함으로써, 공간 기술이 낮은 학습자들의 인지적 부담을 줄여주는 역할을 하는 것으로 보인다.
• 설계적 시사점: 본 연구 결과는 AR이 다양한 학습자 집단을 위한 장벽을 낮추는 도구로 활용될 수 있음을 시사한다. 학습자의 개인적 인지 프로필(특히 공간 능력)의 영향을 완화함으로써, AR은 더욱 형평성 있는 학습 환경을 지원할 수 있다.
• 맥락적 미묘함 (Contextual Nuance): 저자들은 전반적인 성능 향상이 없었던 이유가 대조 조건의 높은 품질과 특정된 고립된 AR 기능(공간 증강만 포함) 때문일 수 있다고 강조한다. 이들은 향าท 연구가 단순한 매체 비교를 넘어, 특정 AR 설계 기능이 학습자 특성과 어떻게 상호작용하는지를 조사해야 한다고 주장한다.

결론적으로, 본 연구는 효과적인 AR 학습 환경을 설계하기 위해서는 학습자 특성을 이해하는 것이 필수적임을 보여준다. AR이 이 실험에서 평균적인 학습 경험을 크게 높이지는 못했을지라도, 학습 성공을 공간 능력으로부터 분리(decouple)해내는 능력은 개인 맞춤형 교육 및 비전문가를 위한 산업 훈련 분야에서 유망한 역할을 할 수 있음을 시사한다.