Integrating Machine Learning into K–12 Classrooms: Enhancing Critical Thinking Through Interactive AI Tasks

기술 요약: K–12 교실 내 머신러닝 통합

문제 제기
인공지능(AI)과 머신러닝(ML)의 교육적 통합이 가속화되고 있음에도 불구하고, K–12 환경에서 이들이 비판적 사고(Critical Thinking, CT) 발달에 미치는 영향에 관한 실증적 연구는 여전히 제한적이다. 기존 문헌은 머신러닝을 인지 발달을 위한 교수 매체라기보다 예측 분석(예: 학생 프로파일링)을 위한 도구로 다루는 경우가 많다. 또한, 많은 연구가 컴퓨팅 사고(Computational Thinking)와 비판적 사고(CT)를 혼동하거나, 머신러닝 작업이 추론, 평가, 증거 기반 추론과 같은 구체적인 CT 프로세스를 어떻게 활성화하는지 조사하지 않은 채 기술적 숙련도 습득에만 집중하고 있다. 특히 중학생들이 머신러닝 워크플로(학습, 테스트, 적용)의 특정 단계에서 CT 지표에 어떻게 참여하는지, 그리고 이러한 참여가 서로 다른 학습자 프로필에 따라 어떻게 달라지는지에 대한 이해에는 주목할 만한 공백이 존재한다.

연구 방법론
본 연구는 터키의 한 공립학교에 재학 중인 자원봉사 5, 6학년 학생 15명(여학생 7명, 남학생 8명)을 대상으로 **설명적 사례 연구 설계(explanatory case study design)**를 채택하였다. 블록 기반 프로그래킹에 대한 사전 숙련도를 갖춘 참가자들은 Machine Learning for Kids 플랫폼을 활용한 5가지 구조화된 머신러닝 활동으로 구성된 8주간의 중재 프로그램에 참여하였다. 활동에는 세 가지 텍스트 기반 작업(Smart Classroom, Quiz Bot, Make Me Happy), 한 가지 이미지 기반 작업(Car or Cup?), 그리고 한 가지 숫자 기반 작업(Pac-Man Learner)이 포함되었다.

데이터 수집은 다중 모드로 이루어졌다:

1. 화면 녹화: 머신러닝 과정 중 학생의 상호작용, 워크플로 순서, 언어적 추론 과정을 포착하였다.
2. 연구자 설계 학습지: 학생의 출력물과 의사결정 과정을 기록하였다.
3. 반구조화된 인터뷰: 활동 후 학생의 성찰, 인지 전략, 인지된 어려움을 조사하기 위해 실시되었다.
4. 임상 인터뷰: 목표 식별, 질문 형성, 추론 도출을 평가하기 위해 특정 프롬프트를 활용하였다.

데이터 분석

• 정량적 분석: 연구자가 개발한 ML 및 CT 수행 루브릭을 사용하여 세 가지 머신러닝 단계(학습, 학습 및 테스트, 적용)와 여덟 가지 CT 차원(목표 식별, 질문 형성, 정보 선택, 개념 식별, 논리적 추론, 응용 지향적 판단, 추론, 결론)에 걸친 학생의 수행도를 점수화하였다. 점수는 미흡(0), 개선 필요(1), 숙달(2)의 세 단계로 분류되었다.
• 군집 분석: 학생의 수행 프로필을 식별하기 위해 RStudio를 사용하여 루브릭 점수에 K-평균 군집 분석(K-means clustering)을 적용하였다.
• 정성적 분석: 인터뷰 전사본과 화면 녹화 데이터에 대해 지시적 내용 분석(directed content analysis)을 수행하여, 학생의 응답을 특정 머신러닝 단계 및 CT 구성 요소와 매핑하였다. 연구자 간 신뢰도는 데이터의 30%에 대해 이차 가중 코헨의 카파(quadratic-weighted Cohen's κ)를 사용하여 확립되었다.

주요 결과
본 연구는 머신러닝 기반의 교수 중재가 관찰 가능한 CT 수행 및 관련 행동, 특히 목표 지향적 추론, 응용 기반 평가, 그리고 추론을 지원할 수 있음을 발견하였다.

• 수행 프로필: 군집 분석 결과 저, 중, 고 수준의 세 가지 뚜렷한 CT 참여 그룹이 나타났다.
  • 고성취 학생들은 학습 및 테스트 단계에서 관련 개념을 일관되게 식별하였으며, 과업 주기 전반에 걸쳐 분석적 모니터링에 참여하였다.
  • 저성취 학생들은 관련 개념을 선택하고 전체 머신러닝 주기를 완료하는 데 어려움을 겪었으며, 이는 학습 단계에서 더 강력한 스캐폴딩(scaffolding)이 필요함을 시사한다.
• 단계별 민감도: 본 연구는 응용 지향적 과업이 초기 단계보다 실제적인 맥락에서 고차원적 사고를 더 효과적으로 유도한다는 점을 강조하였다.
• CT 지표: 학생들은 추론을 명료화하고, 모델 출력을 평가하며, 접근 방식을 수정하는 능력을 보여주었으며, 이는 APA 델파이 합의 구성 요소인 CT(해석, 분석, 평가, 추론, 설명, 자기 조절)와 일치하였다.

주요 기여

1. 교육적 프레임워크: 본 연구는 머신러닝 활동이 단순한 '콘텐츠'를 넘어, 결정 기준이 설명되고 증거가 검토되는 구조화된 교수 프레임워크로서 CT를 가시화하기 위한 설계된 연습(designed practice) 역할을 할 수 있다는 증거를 제공한다.
2. 방법론적 혁신: 화면 녹화, 루브릭 기반 수행 평가, 군집 분석을 결합하여 CT 차원을 특정 머신러닝 단계에 매핑하는 다중 방법론적 접근을 도입함으로써, 머신러닝 통합 환경에서 학습자 프로필을 차별화하는 연구의 부족함을 해결하였다.
3. 커리큘럼 설계: 연구 결과는 머신러닝 과업의 순서 배치가 중요하며, 응용 지향적 과업이 고차원적 사고를 견인할 잠재력이 있음을 시사한다. 또한 개념 선택과 주기 완수에 어려움을 겪는 학생들을 위한 스캐폴딩의 필요성을 확인하였다.

의의 및 주장
저자들은 본 연구가 중학생들이 고차원적 인지 기술을 활성화하는 머신러닝 과업에 의미 있게 참여할 수 있음을 입증함으로써, 머신러닝 교육과 CT 발달 사이의 간극을 메운다고 주장한다. 본 논문은 머신러닝이 단순한 기술적 역량이 아니라, K–12 맥락에서 CT 기술을 증진하기 위한 강력한 프레임워크라고 상정한다. 탐구 기반 학습에서의 데이터 기반 피드백 루프를 CT 구성 요소와 정렬함으로써, 본 연구는 투명성, 기준 기반 평가, 그리고 오류 분석의 교수적 활용과 같은 설계 원칙을 정당화한다. 저자들은 다섯 가지 활동 전반에서 관찰된 변화가 실제적인 학습 맥락에서 증거 기반 추론과 정당화를 촉진하기 위한 구조화된 머신러닝 과업 순서 배치의 가치를 강조한다고 결론짓는다.