현대적인 교실에서는 새로운 교과서나 교수법이 아닌, 데이터의 보이지 않는 웅성거림에 의해 조용한 혁명이 일어나고 있습니다. 학교는 점점 더 '스마트'한 환경이 되어가고 있으며, 학습의 일상적인 리듬을 보고, 듣고, 기록할 수 있는 장치들로 채워지고 있습니다. 이것들은 주변 세계에 대한 정보를 수집하는 연결된 객체들의 네트워크인 사물인터넷(IoT)의 도구들입니다. 학교에서 이는 학생이 방에 들어오는 것을 추적하는 센서, 참여도를 모니터링하는 웨어러블 기기, 또는 학생이 온라인 수업에서 링크를 클릭할 때마다 기록하는 디지털 시스템을 의미할 수 있습니다. 이러한 센서 옆에는 머신러닝의 힘이 자리 잡고 있는데, 머신러닝은 소프트웨어가 무엇을 찾으라고 명시적으로 지시받지 않고도 방대한 양의 정보에서 패턴을 찾는 법을 배우는 컴퓨터 과학의 한 분야입니다. 수년 동안 교육자들은 학생이 어떻게 지내고 있는지 추측하기 위해 시험 점수와 출석부에 의존해 왔지만, 이러한 기록들은 종종 과거의 단편적인 모습일 뿐입니다. 이제 질문은 우리가 이 실시간 데이터의 홍수를 사용하여 학습 과정이 진행되는 동안 학생의 학습 여정을 이해할 수 있는지, 그리고 만약 그렇다면 컴퓨터가 보는 것을 우리가 신뢰할 수 있는지 여부입니다.

인도의 그래픽 에라 디둠 투 비 유니버시티(Graphic Era Deemed to be University)의 연구원인 디팔리 샤르마(Deepali Sharma)는 이 질문에 답하기 위한 새로운 방법을 제안했습니다. 그녀의 연구는 학습 습관이 형성되는 중요한 시기인 중학생들에게 초점을 맞추고 있으며, 스마트 교실의 데이터와 고급 컴퓨터 알고리즘을 결합하여 학업 성취도를 예측하는 프레임워크를 제안합니다. 핵심 아이디어는 단순하면서도 심오합니다. 학생이 시험에서 낙제하기를 기다리는 대신, 시스템이 그들의 일상적인 행동—얼마나 자주 참여하는지, 디지털 도구와 어떻게 상호작용하는지, 심지어 교실의 온도와 소음 수준까지—을 관찰하여 미래의 성공을 예측하는 것입니다. 그러나 큰 장애물이 있습니다. 이러한 예측을 수행할 수 있는 가장 강력한 컴퓨터 모델들은 종-종 '블랙박스'처럼 작동합니다. 즉, 답은 내놓지만 아무도 그것이 어떻게 도출되었는지 알지 못한다는 것입니다. 교사들은 이해할 수 없는 시스템, 특히 그 시스템이 학생에게 추가적인 도움이 필요하다고 제안할 수도 있는 상황에서는 그 시스템을 신뢰할 수 없습니다. 샤르마의 연구는 세 번째 요소인 '설명 가능한 인공지능(Explainable AI)'을 엮어 넣음으로써 이 문제를 해결합니다. 이것은 블랙박스를 열어 컴퓨터가 자신의 작업 과정을 보여주고, 어떤 요인이 예측에 이르게 했는지 정확히 설명하도록 강제하는 일련의 기술입니다.

샤르마가 설명하는 프레임워크는 풍부한 데이터의 태피스트리를 수집하는 것으로 시작됩니다. 모든 학생이 디지털 생태계에 연결된 교실을 상상해 보십시오. RFID 시스템은 학생이 들어오는 순간 출석을 추적하고, 웨어-러블 기기와 환경 센서는 빛과 소음 같은 방의 물리적 조건을 모니터링합니다. 동시에 학습 관리 시스템은 제출된 모든 과제, 치러진 모든 퀴즈, 디지털 플랫폼에서 보낸 모든 시간을 기록합니다. 이 모든 정보는 중앙 데이터베이스로 흘러 들어가, 최종 성적을 훨씬 뛰어넘는 학생의 학교 생활에 대한 상세한 그림을 만들어냅니다. 컴퓨터가 이로부터 학습하기 전에, 데이터는 오류를 제거하고 공백을 채워 패턴이 명확해지도록 정제되고 조직되어야 합니다. 그런 다음 연구자들은 출석률, 숙제 완료 빈도, 온라인 학습 시스템 참여 빈도와 같이 가장 중요한 퍼즐 조각들을 선택합니다. 이러한 구체적인 세부 사항들이 머신러 LEARNING 모델의 재료가 됩니다.

복잡한 데이터를 이해하기 위해, 이 연구는 '앙상블 방법(ensemble methods)'이라고 알려진 두 가지 강력한 유형의 컴퓨터 알고-리즘을 사용합니다. 하나는 '랜덤 포레스트(Random Forest)'로, 이는 많은 서로 다른 결정 트리들을 구축하고 그들에게 결과에 대한 투표를 요청하는 방식으로 작동하며, 마치 전문가 집단이 합의에 도달하기 위해 사건을 토론하는 것과 비슷합니다. 다른 하나는 'XGBoost'로, 이는 모델을 단계별로 구축하며 매 반복마다 자신의 실수를 지속적으로 수정하여 점점 더 정확해지는 방식입니다. 이 두 방법은 모두 무질서한 실제 데이터를 처리하는 데 매우 뛰어나고 무작위 노이즈에 속을 가능성이 낮기 때문에 선택되었습니다. 수집된 교육 데이터로 훈련될 때, 이 모델들은 학생이 어려움을 겪을지 혹은 성공할지를 높은 정확도로 예측할 수 있습니다. 하지만 예측은 절반의 싸움일 뿐입니다. 만약 교사가 어떤 학생이 "위험하다"는 통보를 받는다면, 그 이유를 알아야 합니다. 학생이 수업을 너무 많이 빠졌기 때문인가요? 아니면 숙제 시스템에 로그인을 중단했기 때문인가요? 혹은 교실이 너무 시끄러웠기 때문인가요?

여기서 설명 가능한 인공지능이 등장하여, 복잡한 컴퓨터와 인간 교사 사이의 번역가 역할을 합니다. 이 프레임워크는 예측의 층을 벗겨내기 위해 SHAP과 LIME이라는 두 가지 특정 도구를 사용합니다. SHAP은 거시적인 관점을 보며, 모든 학생에 대해 일반적으로 어떤 요인이 가장 중요한지를 보여주는 반면, LIME은 단일 학생에게 초점을 맞춰 왜 그 특정 아이가 그러한 예측을 받았는지 설명합니다. 만약 시스템이 어떤 학생을 도움이 필요한 상태로 표시한다면, 이제는 과제 완료율의 하락이나 최근 시스템 로그인 부족과 같이 그 결과에 기여한 구식적인 특징들을 식별할 수 있습니다. 이러한 투명성은 매우 중요합니다. 이것은 컴퓨터를 신비로운 신탁에서 증거 기반의 추론을 제공하는 유능한 조수로 변화시킵ers. 그러면 교사는 설명을 보고 자신의 관찰 내용과 대조하여 검증한 뒤, 무엇이 잘못되었는지 추측하는 대신 특정 문제를 해결하기 위한 개인화된 개입을 설계할 수 있습니다.

이 연구는 사물인터넷으로부터의 실시간 데이터, 앙상블 머신러닝의 예측력, 그리고 설명 가능한 AI의 명확성이라는 이 세 가지 기둥을 결함함으로써, 학교가 반응형 교육에서 선제적 교육으로 나아갈 수 있다고 제안합니다. 기대되는 결과는 나쁜 성적을 기다리는 것이 아니라, 그에 앞서 나타나는 미묘한 행동 변화를 포착함으로써 그 어느 때보다 빨리 어려움을 겪는 학생을 식별하는 시스템입니다. 이는 교사들에게 학생에게 영향을 미치는 요인들에 대한 명확한 시야를 제공하여, 각 아이의 개별적인 요구에 맞춰 지원을 맞춤화할 수 있게 해줄 것을 약속합니다. 이 연구는 현재 제안된 프레임워크 단계이며 실제 학생들과 함께 실제 교실에서 테스트되지 않았지만, 그 논리는 타당하며 잠재력은 상당합니다. 이는 기술이 교사를 대체하는 것이 아니라, 오히려 교사에게 학습 과정에 대한 더 깊고 즉각적인 이해를 제공하여 어떤 학생도 주목받지 못한 채 낙오되지 않도록 권한을 부여하는 미래를 향한 길을 제시합니다.