Atom Learning Model (ALM): how a real classroom got tokenised
이 논문은 두 권의 수학 교과서를 1,934개의 학습 단계로 이루어진 선수 학습 그래프로 토큰화하여 373명의 학생을 위한 개인 맞춤형 문제를 저비용으로 생성하는 시스템인 Atom Learning Model(ALM)을 설명하며, 연결 고리를 구축하는 데 드는 높은 비용, 언어 모델이 문제의 난이도를 예측하지 못한다는 점, 그리고 시스템의 배포가 핵심 전제를 테스트하기 직전에 중단되었다는 사실과 같은 예상치 못한 발견들을 밝혀낸다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
전형적인 교실에서, 한 교사가 서른 명의 학생 앞에 서서 모두 대략 비슷한 연령대의 학생들에게 단 하나의 수업을 가르치려 노력합니다. 문제는 그 교실에 있는 어떤 아이도 정확히 같은 학습 단계에 있지 않다는 점입니다. 어떤 아이는 복잡한 퍼즐을 풀 준비가 되어 있는 반면, 다른 아이는 여전히 기초적인 조각들을 다루는 데 어려움을 겪고 있을 수 있습니다. 교사가 모든 학생의 정확한 숙련도를 즉각적으로 알 수는 없기에, 수업은 중간 지점에 맞춰 진행되며, 이로 인해 어떤 학생은 지루함을 느끼고 어떤 학생은 길을 잃게 됩니다. 수십 년 동안 교육자들은 학생들을 일반적인 능력에 따라 그룹으로 나누어 이 문제를 해결하려 노력해 왔지만, 이는 격차를 아주 조금 좁힐 뿐이며 여전히 서른 명의 아이를 서른 개의 개별 단위가 아닌 하나의 단위로 취급합니다. 핵심적인 문제는 해상도의 부족입니다. 학교는 무엇을 배워야 하는지에 대한 지도는 가지고 있지만, 각 아이가 특정 시점에 그 지도 위의 정확히 어느 지점에 서 있는지 파악할 방법이 없습니다.
이것이 바로 '아톰 러닝 모델(Atom Learning Model)'이라 불리는 새로운 시스템이 채우고자 하는 간극입니다. 이 아이디어는 수학과 같은 교과목을 '아톰(atom, 원자)'이라 불리는 가장 작은 단위의 단계들로 세분화하는 것입니다. 예를 들어, 방정식을 푸는 기술을 하나의 거대하고 통일된 과업이 아니라, 곱셈을 아는 것, 뺄셈을 아는 것, 식을 재배열하는 법을 아는 것과 같은 일련의 작고 구별되는 행동들의 사슬로 상상해 보십시오. 만약 학생이 처음 세 단계는 할 수 있지만 네 번째 단계에서 실패한다면, 시스템은 그 사슬의 어디에서 끊김이 발생했는지 정확히 알 수 있습니다. 이러한 미세한 단계들과 그것들을 배워야 하는 순서를 매핑함으로써, 시스템은 이론적으로 각 아이가 이미 알고 있는 것 바로 다음 단계에 완벽하게 맞춰진 학습지를 제공할 수 있습니다. 이 접근 방식은 교육을 경직된 학년제로부터 벗어나, 학생들이 자신의 속도에 맞춰 진도를 나가며 다음 단계로 넘어가기 전 하나의 작은 단계를 완전히 마스터하는 모델로 이동시키는 것을 약속합니다.
필립 보그단(Philipp Bogdan)이 이끄는 임페리얼 칼리지 런던의 한 연구진은 영국 내 두 곳의 중등학교에서 7주 동안 실제 환경을 통해 이 아이디어를 테스트했습니다. 그들은 커리큘럼이나 문제를 직접 작성하지 않았습니다. 대신, 컴퓨터 시스템에 표준 수학 교과서 두 권을 입력하고, 시스템이 페이지를 읽고, 기술을 추출하며, 거대하고 상호 연결된 지식 지도를 구축하도록 요청했습니다. 시스템은 757페이지의 텍end를 처리하여 학습자가 할 수 있는 단 하나의 행위를 나타내는 1,934개의 구별된 '아톰'으로 변환했습니다. 그런 다음 시스템은 이 아톰들이 어떻게 연결되는지 파악하는 데 대부분의 노력을 기울였으며, 어떤 기술을 먼저 배워야 하는지를 보여주는 4,600개 이상의 링크를 만들어냈습니다. 이러한 구조를 통해 컴퓨터는 특정 기술들의 조합에 맞춤화된 수천 개의 고유한 질문을 생성하여 373명의 학생에게 제공할 수 있었습니다.
실험 결과는 놀라웠으며, 학습이 어떻게 작동하는지에 대한 몇 가지 일반적인 가설에 도전했습니다. 첫째, 연구진은 질문을 바라보는 컴퓨터 모델이 그 질문이 학생에게 얼마나 어려울지를 예측할 수 없다는 것을 발견했습니다. 시스템은 질문에 난이도 라벨을 부여했지만, 이 라벨을 학생들의 실제 수행 능력과 비교했을 때 그 라벨들은 전혀 쓸모가 없었습니다. 연구진은 질문의 난이도가 질문 자체의 고정된 속성이 아니라는 것을 발견했습니다. 대신, 난이도는 질문과 그 질문에 답하는 특정 학생 사이의 관계입니다. 어떤 질문이 어렵다는 것은 학생이 그 문제를 풀기 위해 필요한 특정한 미세한 단계들을 갖추지 못했을 때만 성립됩니다. 즉, 교사나 컴퓨터가 단순히 문제를 보고 그것이 "어렵다"라고 말할 수는 없으며, 오직 필요한 배경 지식 단계를 갖추지 못한 특정 아이에게 그 문제가 어렵다는 것만을 알 수 있습니다.
또 다른 예상치 못한 발견은 피드백의 속도에 관한 것이었습니다. 연구진은 학생들이 답을 채점받기 위해 얼마나 기다리는지, 그리고 그 대기 시간이 계속 학습하려는 의지에 어떤 영향을 미치는지 측정했습니다. 연구진은 만약 학생이 채점을 받는 데 단 7초만 기다려야 해도, 3초만 기다렸을 때보다 다음 문제를 시작할 가능성이 현저히 낮아진다는 것을 발견했습니다. 대부분의 교육자가 무시할 만하다고 생각할 이 미세한 지연이 학생의 몰입을 깨뜨리기에 충분했던 것입니다. 이는 디지털 학습 환경에서 시스템의 속도가 질문의 질만큼이나 참여도에 결정적이라는 점을 시사합니다.
이 연구의 가장 중요한 한계는 아마도 시스템이 자신의 가장 깊은 이론을 실제로 테스트하지 못했다는 점일 것입니다. 아톰 러닝 모델의 핵심 전제는 난이도가 학생이 놓친 기술 사슬의 깊이에서 온다는 것입니다. 이를 증명하려면 시스템은 학생이 3~4단계의 간극을 메워야 하는 질문을 제시해야 했습니다. 그러나 7주간의 시험 기간 동안, 시스템은 거의 두 단계 이상의 깊이를 요구하는 질문을 제시하지 않았습니다. 연구자는 난이도가 순수하게 '무엇이 결여되었는가'에 달려 있다는 자신들의 가장 중요한 이론이, 시스템이 그 이론을 입증할 만큼 어려운 질문을 던지지 않았기 때문에 여전히 검증되지 않은 상태로 남았다고 인정했습니다. 시스템은 얕은 수준의 질문에는 잘 작동했지만, 지식의 깊은 간극을 안내할 수 있는지에 대한 궁극적인 시험은 미래의 과제로 남겨두었습니다.
이러한 한계에도 불구하고, 이 실험은 완전히 토큰화된 커리큘럼이 어떤 비용이 들고 어떻게 기능할 수 있는지에 대한 구체적인 모습을 보여주었습니다. 교과서를 읽고 기술 지도를 구축하는 전체 과정에는 615파운드에서 1,230파운드 사이의 일회성 투자가 들었습니다. 일단 구축되면, 시스템은 약 26펜스의 비용으로 학생들을 위한 6,000개 이상의 질문을 생성했습니다. 연구는 인간 교사가 모든 문제를 직접 쓰지 않고도 개인화된 학습 경로를 자동화하여 생성하는 것이 가능하다는 것을 보여주었습니다. 그러나 연구자는 시스템이 아직 교사를 대체하는 것은 아니라고 주의를 주었습니다. 기술 지도는 존재했고 질문도 생성되었지만, 시스템은 아직 학생의 실시간 수행 데이터를 사용하여 다음에 무엇을 보여줄지 결정하지는 못했습니다. 점수는 사후에 계산되었으므로, 실험 기간 동안 학생들은 시스템의 완전한 잠재력에 의해 실제로 유도되고 있는 상태는 아니었습니다.
이 연구를 통해 나타나는 비전은 '학년'이라는 개념이 무의별해지는 세상입니다. 만약 시스템이 아이가 어떤 미세한 단계를 마스터했고 어떤 것을 놓쳤는지 정확히 안다면, 나머지 반 아이들이 따라올 때까지 서른 명의 아이를 한 방에 묶어둘 필요가 없습니다. 아이는 자신의 속도에 맞춰 학습을 진행하며, 필요하다면 특정 수준에 9개월을 머물 수도 있고, 준비가 되었다면 6개월 만에 통과할 수도 있습니다. 현재는 모두가 동시에 앉아서 치르는 물류적 사건인 시험도, 학생이 준비되었을 때 언제든 치를 수 있는 개인적인 이정표가 될 수 있습니다. 아톰 러닝 모델이 7주간의 실험에서 이러한 미래를 달성한 것은 아니지만, 그러한 시스템을 위한 배관을 구축할 수 있다는 것, 즉 물이 아직 흐르지는 않더라도 배관은 건설될 수 있다는 것을 보여줌으로써 그 미래를 향한 첫 번째 실질적인 가교를 놓았습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.