Artificial intelligence as a real game to enlighten science education for disabled students in rural New Mexico

기술 요약: 장애 학생을 위한 과학 교육을 고취하기 위한 실재적 게임으로서의 인공지능(AI)

문제 제기
뉴멕시코주의 농촌 지역 학교들은 장애 학생들에게 형평성 있는 과학 교육을 제공하는 데 있어 체계적인 장벽에 직면해 있다. 이러한 과제에는 전문 과학 교사의 부족, 실험실 자원의 제한, 그리고 특히 광대역 인터넷 접속과 관련된 인프라 결핍이 포함된다. 결과적으로, 이러한 지리적으로 고립된 지역의 장애 학생들은 일반 과학 교실 내에서의 진정한 통합에 필요한 맞춤형 지원을 받지 못하는 경우가 많다. 인공지능(AI)은 적응형 학습과 보조 기술을 통해 잠재적인 해결책을 제공할 수 있지만, 자원이 제한된 농촌 환경에서의 실질적인 통합, 특히 과학 학습을 위한 "실재적 게임(real game)" 메커니즘으로서의 효능에 대한 연구는 여전히 미개척 영역으로 남아 있다.

연구 방법론
본 연구는 예측 분석과 실험적 사전/사후 테스트 개입을 결합한 혼합 방법론 설계를 채택하였다.

• 참가자: 표본은 장애(난독증 및 ADHD와 같은 학습 장애부터 신체, 청각, 시각 장애에 이르기까지)를 가진 학생 $N = 120$명(6~10학년)과 뉴로멕시코주 4개 농촌 학교의 과학 교사 15명으로 구성되었다.
• 중재(Intervention): 8주의 기간 동안, AI 기반 학습 플랫폼이 과학 커리큘럼에 통합되었다. 이 플랫폼은 게임화된 콘텐츠, 가상 실험 시뮬레이션, 문제 해결을 위한 지능형 튜터링 시스템, 그리고 읽기/쓰기 지원을 위한 음성 인터페이스 보조 도구 등의 특징을 갖추고 있다.
• 데이터 수집: 정량적 데이터에는 개념 보유도 및 실험 수행 능력에 대한 사전 및 사후 테스트 점수와 함께, 관찰 프로토콜 및 리커트 척도 설문조사를 통해 측정된 참여도 등급이 포함되었다. 정성적 데이터는 교실 관찰과 교사 인터뷰를 통해 수집되었다.
• 분석 모델:
  1. 다중 선형 회귀(Multiple Linear Regression): AI 상호작용 시간($X_1$), 참여율($X_2$), 사전 테스트 점수($X_3$)를 예측 변수로 하여 학습 이득($Y$)을 예측하는 모델을 구축하였다. 모델은 선형성, 정규성, 다중공선성에 대한 진단 검사와 함께 최소제곱법(OLS)을 사용하여 검증되었다.
  2. 인공 신경망(ANN): 3–5–1 토폴로지(3개의 입력 뉴런, 5개의 은닉 뉴런[시그모이드 활성화 함수], 1개의 출력 뉴런[선형 활성화 함수])를 가진 피드포워드 네트워크를 백프로파게이션(backpropagation)을 통해 학습시켰다. 데이터셋은 훈련 세트(70%)와 검증 세트(30%)로 분할되었다.

주요 기여

• 농촌 맥락에서의 실증적 증거: 본 연구는 AI 기반의 게임 기반 페다고지(pedagogy)가 소외된 농촌 환경의 장애 학생들을 위해 과학 학습 성과를 유의미하게 향상시킬 수 있다는 정량적 증거를 제공한다.
• 예측 모델링: 선형 회귀와 비선형 ANN 모델 모두가 AI 도구 사용으로부터 도출된 학습 이득을 측정하는 데 높은 예측 정확도를 보임을 입증하였으며, 특히 ANN은 참여도와 사전 지식 사이의 비선형적 상호작용을 포착하였다.
• 개념적 프레임워크: 본 논문은 구성주의 학습 이론, 보편적 학습 설계(UDL), 사회 인지 이론을 통합하여, AI를 단순한 도구가 아니라 콘텐츠 전달을 매개하고 접근성을 조절하여 참여와 인지 발달을 강화하는 "실재적 게임(Real Game)"으로 규정한다.

결과

• 성과 개선: 중재 후 분석 결과, 모든 측정 차원에서 통계적으로 유의미한 이득이 나타났다:
  • 개념 보유도: 32% 증가 (평균 점수가 54.3%에서 71.8%로 상승).
  • 실험 수행 능력: 27% 향상 (평균 점수가 49.6에서 63.0으로 상승).
  • 학생 참여도: 42%의 상대적 증가를 보임 (평균 평점이 5점 척도 기준 3.1에서 4.4로 상승).
• 회귀 분석: 다중 선형 회귀 모델은 $R^2$ 값 0.92 ($p < 0.001$)를 달성하였으며, 이는 학습 이득의 분산 중 92%가 AI 상호작용 시간, 참여율, 사전 테스트 점수에 의해 설명됨을 나타낸다. 상호작용 시간과 참여도 모두 유의미한 정적 예측 변수였다.
• ANN 성능: ANN 모델은 검증 세트에서 피어슨 상관계수 $r = 0.95$ ($R^2 \approx 0.90$)를 달성하였다. 결정적으로, ANN은 사전 테스트 점수는 낮지만 참여도가 높은 학생들이 불균형적으로 큰 이득을 얻는 비선형적 상호작용을 드러냈는데, 이는 가장 취약한 학습자들에게서 나타나는 증폭 효과를 시사한다.
• 정성적 결과: 교사들은 특히 신체적 장벽 없이 가상 실험을 탐색할 수 있게 된 이동성 장애 학생들의 자신감이 향old상되었다고 보고하였다. AI 지원의 보편적 특성은 특수 지원에 따른 낙인을 줄여 더욱 포용적인 교실 문화를 조성하였다.

의의 및 주장
본 논문은 AI 기반 페다고지가 농촌 과학 교육에서 "변혁적 평등화 도구(transformative equaliser)" 역할을 한다고 결론짓는다. 통계 모델의 높은 설명력은 AI 도구에 대한 노출이 학생 성장의 강력한 예측 변수임을 확인시켜 준다. 본 연구는 인프라(인터넷/기기)와 교사 전문성 개발이 뒷받침된다면, AI가 소외된 환경에서 형평성 있는 과학 교육을 달{%}성하기 위한 실행 가능한 현실임을 주장한다.

저자들은 그 혜el익이 균일하게 나타나지는 않는다는 점을 강조한다. 데이터에 따르면 AI 중재는 초기 필요도가 높은 학습자들에게서 증폭된 효과를 나타내며, 이는 포용적 교육의 목표와 일치한다. 그러나 본 논문은 중재 기간(8주)의 짧음, 표본의 특정 지리적·인구통계학적 집중성, 그리고 장기적 보유 능력 및 AI 의존에 따른 윤리적 함의에 대한 추가 연구의 필요성을 언급하며 신중한 입장을 유지한다. 연구는 AI가 지속 가능하기 위해서는 뉴멕시코의 MLSS와 같은 기존의 다단계 지원 체계 내에 내재되어야 하며, 지속적인 교사 교육에 의해 뒷받침되어야 한다고 상정한다.