A genetic algorithm for student academic resource allocation

당신이 우주선의 선장이라고 상상해 보십시오. 하지만 당신의 화물창에는 별 대신 수천 가지의 다양한 도구, 장치, 그리고 지도들이 가득 차 있습니다. 당신의 임무는 무엇인가요? 단 한 명의 승객이 목적지에 최대한 빠르고 행복하게 도착할 수 있도록 돕는 것입니다. 문제는 승객에게 매우 구체적인 요구 사항이 있다는 점입니다. 예를 들어, 그들은 길을 잘 잃을 수도 있고, 속도를 즐기는 열혈한일 수도 있으며, 혹은 연료가 제한되어 있을 수도 있습니다. 당신은 그들에게 모든 것을 무작정 던져줄 수 없습니다. 연료 탱크에 들어갈 수 있는 크기이면서도 성공 가능성을 극대화할 수 있는 완벽한 아이템의 조합을 골라내야 합니다. 이것이 바로 현대 교육의 일상적인 과제입니다. 교사들은 방대한 양의 수업, 영상, 연습 문제들을 가지고 있지만, 학생마다 학습 방식은 제각각입니다. 어떤 학생은 숫자를 읽는 데 추가적인 도움이 필요하고, 어떤 학생은 앞서 달려나갈 준비가 되어 있습니다. 한 명의 학생을 위해 정확히 알맞은 재료의 조합을 찾아내는 것은, 조각들이 계속해서 모양을 바꾸는 거대하고 불가능한 퍼즐을 푸는 것과 같습니다. 여기서 컴퓨터 과학이 "유전 알고리즘(Genetic Algorithm)"이라는 영리한 기술로 개입합니다. 이것을 디지털 진화 실험실이라고 생각하십시오. 사람이 완벽한 목록을 추측하려고 노력하는 대신, 컴퓨터는 수천 개의 무작위 목록을 만들고, 테스트한 다음, 가장 좋은 것들을 서로 "교배"하여, 거의 완벽한 해결책이 진화할 때까지 이 과정을 반복적으로 섞고 맞추며 진행합니다. 이것은 자연이 수학 문제를 해결하는 방식, 즉 숙제를 위한 '적자생존'입니다.

스페인의 연구진이 작성한 이 논문은 바로 이 퍼즐을 다룹니다. 고등학생을 위한 최적의 수학 리소스를 자동으로 선정하는 방법입니다. 그들은 이 문제를 "0–1 이진 조합 최적화(0–1 binary combinatorial optimization)" 과제로 정의합니다. 쉬운 말로 설명하자면, 이는 엄격한 시간 제한 내에서 카탈로그의 각 항목을 포함할지(1) 아니면 제외할지(0)를 결정하는 것을 의미합니다. 연구진은 리소스 목록이 늘어남에 따라 컴퓨터가 모든 조합을 빠르게 확인하는 것이 불가능하다는 점을 알고 있습니다. 마치 해변의 모래알 하나하나를 일일이 세려는 것과 같습니다. 그렇기 때문에, 그들은 모든 가능성을 일일이 확인하지 않고도 훌륭한 해결책을 찾기 위해 이 "유전 알고리즘"을 사용할 것을 제안합니다.

연구팀은 먼저 학생의 프로필을 살펴보는 시스템을 구축했습니다. 그들은 학생의 현재 학년, 다양한 수학 영역(예: 대수학 또는 기하학)에서의 성취도, 심지어 구체적인 학습 장애까지 고려합니다. 예를 들어, 그들은 계획을 조정하기 위해 "진단 요인(diagnostic factor)"을 사용합니다. 능력이 높은 학생은 1.0의 요인을 갖는 반면, 난독증이 있는 학생은 0의 0.7, 계산 장애(숫자에 어려움을 겪는 증상)가 있는 학생은 0.5의 요인을 갖습니다. 이 요인은 볼륨 조절 노브처럼 작동하여, 학생의 필요에 맞춰 과제의 강도를 조절합니다. 또한 시스템은 너무 쉽거나 너무 어려운 리소스를 걸러내어, 학생의 현재 수준 및 학년에 딱 맞는 것들만 남깁니다.

시스템이 적절한 리소스 목록을 확보하면, 디지털 진화를 실행합니다. 먼저 다양한 리소스 조합을 무작위로 뽑습니다. 그런 다음, 이 조합 중 규칙을 위반하는 것이 있는지 확인합니다. 구체적으로, 선택된 모든 리소스를 완료하는 데 필요한 총 시간이 학생에게 허용된 최대 학습 시간(이 실험에서는 8,100분, 즉 135시간으로 설정됨)을 초과하는지 확인합니다. 만약 어떤 조합이 너무 길다면, 특별한 "복구 메커니즘(repair mechanism)"이 작동합니다. 이는 엄격한 편집자처럼 행동하여, 총 시간이 제한 범위 안에 완벽하게 들어올 때까지 목록에서 항목을 무작위로 제거합니다. 이를 통해 컴퓨터가 고려하는 모든 해결책이 실제로 완수가 가능한 것임을 보장합니다.

연구진은 1,000개의 수학 리소스로 구성된 합성 카탈로그를 사용하여 이 시스템을 테스트했습니다. 그들은 난독증이 있는 고등학교 2학년 학생의 시뮬레이션 프로필에 집중했습니다. 학생의 수준에 맞지 않는 리소스를 필터링한 후, 컴퓨터에는 선택 가능한 217개의 잠재적 항목이 남았습니다. 그들은 유전 알고리즘을 10번 실행하였으며, 결과의 일관성을 확인하기 위해 매번 서로 다른 무작알 시드(random seed)로 시작했습니다. 결과는 인상적이었습니다. 알고리즘은 일관되게 높은 품질의 해결책을 찾아냈으며, 빠르게 "최적 적합도(best fitness)" 점수인 4.3333에 수렴했습니다. 가장 잘 된 실행 사례에서 시스템은 사용 가능한 217개 중 정확히 77개의 리소스를 선택하여, 8,100분의 제한 시간을 넘지 않으면서 학생의 일정을 꽉 채웠습니다. 10번의 실행 결과가 매우 유사했다는 사실은 이 방법이 매우 안정적이고 신뢰할 수 있음을 시사합니다.

논문은 이 접근 방식이 실시간으로 개인 맞춤형 학습 계획을 만드는 데 효과적이라고 결론짓습니다. 그러나 저자들은 이것이 특정 수학적 모델에 기반한 시뮬레이션임을 주의 깊게 언급합니다. 그들은 교육 문제를 영원히 해결했다고 주장하는 것이 아니라, 이러한 결정을 내리기 위한 강력한 도구를 보유하고 있다고 말하는 것입니다. 앞으로의 과제로, 팀은 여러 가지 어려움을 동시에 겪는 학생(예: 영재이면서 동시에 난독증이 있는 학생)을 다루는 단계를 제시합니다. 미래의 시나리오에서 컴퓨터는 상충하는 목표들을 조율하며, 학생의 다양한 요구 사항들에 대해 동시에 최선을 다하는 "파레토 최적(Pareto-optimal)"의 해결책을 찾아야 할 것입니다. 하지만 현재로서는, 이 유전 알고리즘이 혼란스러운 교육 자료 더미를 학생의 성공을 위한 맞춤형 로드맵으로 바꾸는 유망한 방법으로 자리 잡고 있습니다.