기술 요약: RoboBlockly 스튜디오

문제 제기

컴퓨팅 사고 (CT) 는 K-12 교육의 핵심 소양이지만, 학습자와 교사들은 추상적인 프로그램 논리를 의미 있는 결과와 연결하는 데 상당한 어려움을 겪고 있습니다. 현재의 교실 수업은 종종 이론적 연습이나 종이 기반 활동에 의존하여, 구체화된 피드백을 얻을 기회를 거의 제공하지 않습니다. 교육용 로봇과 대화형 AI 가 각각 CT 를 지원하기 위해 탐구되어 왔지만, 기존 솔루션들은 단편화라는 문제를 안고 있습니다:

• 블록 기반 환경은 구문 장벽을 낮추지만, 학습자가 구체화된 환경에서 프로그램 행동을 해석하는 데 도움을 주지 못하는 경우가 많습니다.
• 구체화된 로봇 공학은 활동을 구체화하지만, 초보자가 시행착오를 넘어설 수 있도록 필요한 피드백과 지도가 부족한 경우가 많습니다.
• 대화형 AI는 디버깅 지원을 제공하지만, 일반적으로 화면 기반 코드에 국한되어 물리적 작업 실행과의 통합이 부족합니다.

그 결과, 학습자들은 종종 프로그래밍, 실행, 설명을 통합된 이해 및 정제 과정이 아닌 분리된 단계로 경험합니다. 또한, 교사들은 이러한 복잡한 환경에서 학습을 평가하고 시기적절하며 차별화된 지원을 제공하는 데 어려움을 겪습니다.

방법론

저자들은 RoboBlockly 스튜디오를 설계, 개발, 평가했습니다. 이는 세 가지 핵심 구성 요소를 결합한 통합 상호작용 시스템입니다:

1. 블록 기반 시각적 프로그래밍: CT 실천과 정렬된 작업 은행을 갖춘 구조화된 편집기.
2. 대화형 AI 교수 에이전트: 학습자를 위해 문제를 직접 해결하지 않고 적응형 단계별 힌트, 설명, 검증을 제공하는 LLM 기반 에이전트 (GPT-4o).
3. 구체화된 로봇 실행: ROS 2 에서 실행되는 물리적 로봇 (멀티-조인트 암이 장착된 메카넘 휠 섀시) 으로, 블록 기반 코드 (Python 으로 변환됨) 를 실행하여 즉각적이고 관찰 가능한 물리적 피드백을 제공합니다.

시스템 설계

이 시스템은 문헌과 5 명의 프로그래밍 교사와의 반구조화된 인터뷰에서 도출된 네 가지 설계 목표 (DG) 를 기반으로 개발되었습니다:

• DG1 (에이전트적 실천): 계획, 수정, 검증을 위한 학습자의 통제권 유지.
• DG2 (투명한 학습): 프로그램 행동을 가시화하고 해석 가능하게 만듦.
• DG3 (구체화 및 교실 정렬): 디지털 구성 요소를 물리적 행동 및 교실 리듬에 정렬.
• DG4 (교육적 기반 AI): 문제 해결을 대체하기보다 성찰을 지원하도록 해석 가능한 피드백 제공.

사용자 인터페이스는 블록 조립을 위한 작업 공간과 AI 상호작용을 위한 대화 패널로 구성된 이중 패널 레이아웃을 특징으로 합니다. 백엔드는 Blockly XML 을 Python 으로 변환하여 WebSocket 을 통해 로봇의 Jetson Orin Nano 로 전송합니다.

사용자 연구

프로그래밍 경험이 없는 **32 명의 고등학생 (15~18 세)**을 대상으로 한 피험자 내 대조 균형 연구가 수행되었습니다.

• 조건: 참가자들은 두 가지 조건을 경험했습니다: AI 만 (시각적 프로그래밍 + AI 채팅) 과 AI+로봇 (시각적 프로그래밍 + AI 채팅 + 물리적 로봇 실행).
• 작업: 세 단계의 점진적인 CT 도전 과제 (초급: 누락된 블록 채우기; 중급: 결함 있는 논리 수정; 고급: 자연어 코드로 변환).
• 측정 항목:
  • 성과: 사전 및 사후 Bebras CT 문제.
  • 부하: NASA-TLX (정신적, 신체적, 시간적 요구, 성과, 노력, 좌절감).
  • 사용성/경험: 시스템 사용성 척도 (SUS) 및 사용자 경험 설문지 (UEQ).
  • 정성적: 반구조화된 인터뷰 및 디버깅 전략에 대한 비디오 분석.

주요 기여

1. 시스템 개발: 블록 기반 편집, 대화형 AI, 실제 로봇 실행을 결합하여 작업 의도, 프로그램 구조, 구체화된 결과 간의 폐쇄 루프를 형성하는 통합 HCI 환경인 RoboBlockly 스튜디오의 도입.
2. 실증적 평가: AI 만 조건과 AI+로봇 조건 모두 유의미한 CT 학습 향상을 가져온다는 연구를 입증. AI+로봇 조건은 특히 다음과 연관되었습니다:
   • 지각된 부하 감소 (특히 시간적 요구, 노력, 좌절감).
   • 학습자가 물리적 실행을 지각적 증거로 활용하여 AI 에게 구체적인 질문을 formulate 하는 더 표적화된 디버깅 전략.
   • 더 높은 사용자 참여도 및 구체화된 조건에 대한 선호.
3. 설계 지침: 구체화가 디버깅을 정교화하고 학습자 에이전시를 지원하며 대화형 힌트가 성찰을 지원한다는 통찰.

결과

• 학습 향상: 참가자들은 사전 테스트에서 사후 테스트로 CT 기술이 유의미하게 향상되었습니다 ($t(31) = 9.53, p < .001$, $d_z = 1.69$), 평균적으로 사전 테스트에서는 1.28 개의 과제를 올바르게 해결한 반면 사후 테스트에서는 2.88 개를 올바르게 해결했습니다.
• 부하 및 사용성:
  • AI+로봇 조건은 AI 만 조건에 비해 좌절감 ($p < .001$) 과 노력이 유의미하게 낮았습니다.
  • 시간적 요구는 AI+로봇 조건에서 유의미하게 낮아, 물리적 피드백이 시간 압박을 줄였음을 시사합니다.
  • 시스템은 72.5 점의 SUS 점수 ("우수한 사용성") 를 달성했으며, 모든 UEQ 차원 (매력도, 자극 등) 에서 긍정적인 평가를 받았습니다.
• 행동 변화:
  • 로봇 사용 시: 학습자는 실행을 "지각적 증거"로 활용하여 충돌이나 목표 미달과 같은 실패를 관찰한 후 AI 를 상담하기 전에 오류를 국소화했습니다. 이로 인해 더 구체적이고 블록 기반의 쿼리가 생성되었습니다.
  • 로봇 미사용 시: 학습자는 더 일반적인 AI 힌트와 화면 검사에 의존하여 때때로 반복적이고 표적 없는 도움 요청으로 이어졌습니다.
  • 진행: 학생들은 초급 작업에서 "완료" (간극 채우기) 에서 고급 작업으로 "진단" (특정 결함 식별) 으로 전환되었으며, 이는 설계된 작업의 지원 구조에 의해 촉진되었습니다.

중요성 및 주장

이 논문은 RoboBlockly 스튜디오가 대화형 AI 와 구체화된 로봇 공학을 단일 반복 루프로 통합함으로써 CT 교육의 단편화 문제를 성공적으로 해결했다고 주장합니다. 저자들은 구체화가 단순히 동기를 부여하는 부가물이 아니라, 추상적인 프로그램 논리를 구체화하여 학습자가 물리적 관찰을 통해 가설을 검증할 수 있게 하는 중요한 피드백 채널이라고 주장합니다.

이 연구는 대화형 지원과 구체화된 실행을 결합하면 다음과 같은 학습 환경을 조성한다고 시사합니다:

• 디버깅이 수동적인 오류 수용이 아닌 능동적인 지각적 모니터링의 과정이 됩니다.
• 학생들이 힌트를 요청하거나 로봇을 실행할 시기를 통제하므로 학습자 에이전시가 유지됩니다.
• 작성, 실행, 관찰, 수정의 "긴밀한 루프"는 분해, 추상화, 알고리즘 설계와 같은 CT 개념에 대한 더 깊은 참여를 지원합니다.

저자들은 작은 표본 크기, 연구의 짧은 기간, 물리적 구체화의 가치를 완전히 분리하기 위한 화면 기반 시뮬레이션 기준선 (예: 애니메이션 추적) 의 부재와 같은 한계를 인정하며 주장을 겸손하게 유지합니다. 이 연구는 모든 CT 교육 맥락에 대한 결정적인 해결책이라기보다는, AI 와 로봇 공학을 통합하여 CT 학습을 지원하는 상호작용적이고 구체화된 학습 환경을 만드는 과정의 한 걸음으로 위치 짓습니다.