Teaching AI Interactively: An Experience Report in Higher Education

기술 요약: 상호작용적 AI 교수법

문제 제기
고등 교육에서의 입문 인공지능(AI) 과정은 추상적인 개념, 수학적 복잡성, 그리고 다양한 학생들의 기술적 배경으로 인해 상당한 학습 장벽을 제시한다. 전통적인 강의 기반 수업 방식은 확률적 추론, 탐색 알고리즘, 학습 개념을 접근 가능하게 만드는 데 종종 실패하며, 이는 학생들의 참여도 저하, 자기 효능감 감소, 높은 중도 탈락률로 이어진다. 기존 연구들이 프로젝트 기반 학습을 강조하고 있으나, 이러한 접근법들은 학생들이 AI가 접근 가능하다는 것을 처음 결정하게 되는 수업 시간 내의 교수 순간보다는 수업 외적인 결과물을 우선시하는 경향이 있다. 따라서 "CS Unplugged"(기술을 사용하지 않는, 체화된) 활동을 사용하여 학술적 엄격함을 해치지 않으면서도 참여도와 개념적 이해를 지원할 수 있는 수업 내 교수 설계에 대한 조사가 필요하다.

방법론
저자들은 조지아 공과대학교의 학부 "인공지능 입문" 과정의 두 가지 운영 사례를 비교하는 경험 보고서를 작성하였다.

• 대조군 (봄 학기): 약 300명의 학생을 대상으로 한 전통적인 16주 강의 기반 형식. 수업은 대형 강의실 강의로 구성되었으며, 보충 학습은 오피스 아워를 통해 제공되었다.
• 실험군 (여름 학기): 약 50명의 학생을 대상으로 한 12주 과정. 커리큘럼 내용, 과제, 시험 및 평가 구조는 봄 학기 운영과 동일하게 유지되었다. 주요 변수는 수업 시간의 재설계였다.
• 교수 설계: 여름 학기 과정은 체계적인 "언플러그드-투-플러그드(unplugged-to-plugged)" 능동적 학습 루프를 활용하였다:
  1. 언플러그드 시뮬레이션: 학생들은 알고리즘적 의사결정을 물리적으로 실행하기 위해 체화되고 협력적인, 기술을 사용하지 않는 활동(예: 적대적 탐색을 위한 "Grid Knockout")에 참여하였다.
  2. 토론 및 공식화: 클래스는 전략을 논의한 후, 공식 알고리즘과 의사코드(pseudo-code)를 간략하게 소개하였다.
  3. 플러그드 구현: 학생들은 물리적 시뮬레이션과 코드를 연결하는 스캐폴딩(scaffolding)을 사용하여, 파이썬으로 알고리즘을 구현하기 위해 주피터 노트북(Jupyter notebook)으로 전환하였다.
  4. 협동 랩: 학생들은 협동 코딩 랩에서 매개변수를 실험하였다.
  5. 형성적 피드백: 학생들은 이후 수업 계획을 안내하기 위해 각 세션 종료 시 "1분 논문(One Minute Papers, OMPs)"을 작성하였다.
• 데이터 수집: 본 연구는 준비도, 출석, 과제 관련성, 학습량, 코스 효과성에 대한 학생들의 평가를 비교하기 위해 기관 종결 코스 설문(Lik Likert 척도)을 활용하였다. 또한, 저자들은 학생들의 질적 경험을 탐구하기 위해 11명(여성 4명, 남성 7명)을 대상으로 반구조화된 회고 인터뷰를 실시하였다.

핵심 기여
본 논문은 체화된 학습과 기술적 구현을 통합하는 고등 교육 AI 과정을 위한 구체적인 교수 프레임워크를 기여한다. 핵심 기여는 수동적인 강의를 언플러그드 시뮬레이션, 가이드된 토론, 협동 코딩의 구조화된 순환으로 대체하는 것이 동일한 평가 엄격성을 유지하면서도 학생의 학습 경험을 개선할 수 있음을 보여주는 것이다. 본 연구는 "구체성 퇴색(concreteness fading)"—물리적 체화에서 추상적 수학적 공식화로 이동하는 것—이 대학 환경에서 어떻게 실행될 수 있는지에 대한 경험적 증거를 제공한다.

결과
서로 다른 과제와 시험에도 불구하고, 서열 로지스틱 회귀 분석을 통한 정량적 분석 결과 두 학기 사이에 세 가지 핵심 영역에서 통계적으로 유의미한 차이가 나타났다:

• 출석: 여름 학기 학생들은 높은 물리적 출석을 보고할 확률이 봄 학기보다 6.8배 높았다 ($p < 0.001$).
• 과제 타당성: 여름 학기 학생들은 과제가 자신의 지식과 이해를 정확하게 측정한다는 점에 동의할 확률이 약 4배 더 높았다 ($p < 0.016$).
• 코스 효과성: 여름 학기 학생들은 코스를 전반적으로 효과적이라고 평가할 확률이 3.4배 더 높았다 ($p < 0.05$).
• 유의미하지 않은 결과: 스스로 보고한 "학습량", 숙제 완료율, 또는 초기 준비도에는 통계적으로 유의미한 차이가 없었다.

인터뷰의 질적 분석에서는 이러한 결과를 이끄는 네 가지 주제가 식별되었다:

1. 능동적 지식 구성: 학생들은 알고리즘을 핵심 구성 요소로 분해하는 핸즈온(hands-on) 방식을 가치 있게 여겼다.
2. 안전하고 지원적인 환경: 협동 활동과 지속적인 교수자 존재는 불안감을 줄이고 질문을 장려하였다.
3. 진전의 체감: 일일적인 가시적 결과물(랩, 활동)은 출석이 가치 있게 느껴지도록 만들었다.
4. 자신감 상승: 스캐폴딩은 기술적 배경이 적은 학생들을 포함하여, AI 개념을 위협적인 것이 아닌 달성 가능한 것으로 바라보게 하는 데 도움을 주었다.

의의 및 주장
저자들은 수업 내 교수 시간의 재설계가 학업 기준을 낮추지 않으면서도 AI에 대한 학생의 참여도와 자신감을 향상시키는 데 있어 결정적인 레버(lever)라고 주장한다. 본 논문은 수업 시간이 학생들이 독립적으로 복제할 수 없는 독특하고 가치 있는 학습 경험(예: 가이드된 체화된 시뮬레이션)을 제공할 때, 출석이 정책에 의한 것이 아니라 내재적으로 동기 부여된다고 주장한다.

본 연구는 수업 내 활동(언플러그드 시뮬레이션, 협동 랩)을 수업 외 평가와 긴밀하게 결합하는 것이 학생들이 과제를 단절된 작업이 아닌 일관된 학습 궤적으로 인식하도록 돕는다고 제안한다. 저자들은 본 결과가 한 기관의 작은 규모의 클래스와 상당한 조교(TA) 지원을 바탕으로 한 단일 파일럿 연구라는 점을 겸허히 언급한다. 그들은 이 접근 방식을 더 큰 규모의 클래스로 확장하기 위해서는 촉진을 위한 전략적인 TA 활용과 형성적 피드백의 집계가 필요하다고 상정한다. 결론적으로, 본 논문은 체화된 활동과 물리적 경험 및 공식 표기 사이의 명시적인 가교가 학생들이 입문 AI의 인지적 요구를 헤쳐 나가는 데 필수적이라고 주장한다.