Lecturers’ Use and Perceptions of Machine Learning Informed Educational Interventions for the Early Identification of Learning Difficulties among Students with Intellectual Disabilities in Nigerian Universities

기술 요약: 나이지리아 대학 내 지적 장애 학생의 학습 장애 조기 식별을 위한 머신러닝 기반 교육적 개입의 활용 및 인식에 관한 연구

문제 제기
나이지리아가 국제적 프레임워크(UN SDGs 4 및 10)와 포용적 교육을 촉진하는 국가 정책을 비준했음에도 불구하고, 고등 교육에서의 포용적 관행 구현은 여전히 파편화되어 있다. 특히, 지적 장애 학생의 학습 장애 조기 식별은 수동적이고, 단편적이며, 주관적인 평가 관행에 크게 의존하고 있다. 이러한 전통적인 방식은 종종 개입의 지연, 해당 학생들의 소외, 그리고 열악한 교육적 결과로 이어진다. 인공지능(AI)과 머신러닝(ML)은 데이터 기반의 조기 스크리닝을 위한 변혁적 잠재력을 제공하지만, 나이지리아 대학에서의 적용은 여전히 주로 개념적인 수준에 머물러 있다. 기존의 진단 체계(DSM-5, ICD-11, AAIDD)와 부상하는 예측 분석 사이의 간극을 메우기 위한 의사결정 지원 도구로서, 강사들이 ML 기반 접근 방식을 어떻게 인식하고 활용하는지에 대한 이해에는 결정적인 공백이 존재한다. 또한, 기존 문헌에는 이 특정 맥락에서 조기 식별 및 참여 증진을 위해 이러한 도구를 채택할 강사들의 준비도에 대한 실증적 근거가 부족하다.

연구 방법론

• 연구 설계: 본 연구는 기술적 조사 연구 설계(descriptive survey research design)를 채택하였다. 결정적으로, 저자들은 ML이 엄격하게 개념적 및 해석적 프레임워크로서 활용되었음을 명시하며, 이는 경험적 계산 방법론이 아님을 밝힌다. 즉, ML 알고리즘을 개발, 훈련 또는 테스트하지 않았으며, 데이터셋을 분할하거나 성능 지표(예: 정확도, F1-score)를 산출하지 않았다.
• 참가자: 연구 대상은 나이지리아 남남부 지정학적 구역 내 12개 선정된 연방 및 주립 대학교의 교육학부 및 특수교육학과 소속 강사 600명이다. 참가자는 지적 장애 학생에 대한 경험과 교육 기술에 대한 친숙함을 갖춘 이들로 구성되었으며, 우연 추출법(편의 추출법)을 통해 선정되었다.
• 도구: 데이터는 *머신러닝 기반 교육적 개입을 통한 학습 장애 조기 식별 설문지(MLEID-Q)*를 사용하여 수집되었다. 이 도구는 (i) 조기 식별을 위한 ML 도구 활용 정도와 (ii) 조기 탐지 및 학업 참여에 대한 ML 개입의 영향에 대한 인식을 측정하는 20개 항목의 4점 리커트 척도로 구성되었다.
• 데이터 분석: 기술 통계(평균, 표준편차)와 추론 통계(독립 표본 t-검정, 다중 선형 회귀 분석)를 SPSS 버전 26을 사용하여 분석하였다. 본 연구는 성별 차이, 기관 유형 차이, 그리고 ML 사용이 학업 참여에 미치는 예측력에 관한 세 가지 영 가설을 검증하였다.

주요 결과

1. 활용 정도: 강사들은 ML 기반 디지털 도구의 활용에 대해 낮은 수준의 활용(군 평균 = 2.37, "낮은 정도"로 분류)을 보고하였다. 낮은 채택을 보인 구역은 개별 학습 요구에 대한 ML 적용(평균 = 1.29), 커리큘럼 통합(평균 = 1.58), 정기적 개입 사용(평균 = 1.83)이었다. 그러나 강사들은 ML에 대한 기관 차원의 지원(평균 = 3.29)과 학생 진전도 추적(평균 = 3.16)에 대해서는 더 높은 참여도를 보고하였다.
2. 효과성에 대한 인식: 실제 사용량은 낮음에도 불구하고, 강사들은 ML 개입에 대해 긍정적인 인식(군 평균 = 3.02, "높은 정도"로 분류)을 가지고 있었다. 그들은 ML이 학생의 주의력, 동기 부여, 의사소통 및 과제 완수를 개선하는 데 효과적이라고 인식하였다. 약 70%의 인식 지표가 기준 평균인 3.0을 초과하였다.
3. 예측 분석:
   • 가설 1 (성별): 성별에 따른 ML 도구 사용에서 유의미한 차이가 발견되지 않았다($p > 0.05$). 성별은 회귀 모델에서 ML 사용의 유의미한 예측 변수가 아니었다 ($\beta = -0.04, p = 0.398$).
   • 가설 2 (기관 유형): 대학 유형(연방 vs. 주립)에 따른 ML 지원에 대한 인식에서 유의미한 차이가 발견되지 않았다 ($p > 0.05$). 기관 유형은 학업 참여의 유의미한 예측 변수가 아니었다 ($\beta = 0.03, p = 0.450$).
   • 가설 3 (참여의 예측): 영 가설이 기각되었다. 강사들의 ML 기반 개입 사용은 지적 장애 학생의 학업 참여를 결정하는 가장 강력하고 유일하게 유의미한 예측 변수였다 ($\beta = 0.60, p < .001$). 회귀 모델은 참여 변량의 38%를 설명하였다 ($R^2 = 0.38$).

주요 기여

• 개념적 명료화: 본 연구는 ML이 공식적인 임상 진단(DSM-5/ICD-11)을 대체하지 않으면서 어떻게 조기 스크리닝을 위한 의사결정 지원 메커니즘으로 기능할 수 있는지 보여주는 구조화된 개념적 프레임워크를 제공한다. 이는 예측 지표로부터 전문적 의뢰 및 개별화 교육 계획(IEP)으로 이어지는 경로를 상세히 기술한다.
• "인식-사용 간극"의 실증적 증거: 본 연구는 나이지리아 고등 교육의 중대한 불일치를 강조한다. 즉, 강사들은 포용적 교육을 위한 ML의 잠재적 가치를 인식하고 있음에도 불구하고, 실제 구현은 제한된 훈련, 인프라 및 기술적 역량으로 인해 저해되고 있다.
• 참여의 결정 요인: 본 연구는 ML 도구의 실제 사용이 인구통계학적 요인(성별, 직급)이나 기관 구조(연방 vs. 주립)보다 학생의 학업 참여를 결정하는 더 중요한 요인임을 입증한다.

의의 및 주장
본 논문은 자신의 연구 결과가 개발도상국 맥락에서의 강사들의 준비도에 대한 근거 기반 통찰을 제공함으로써, AI 기반 포용적 교육에 관한 신흥 학문 분야에 기여한다고 주장한다. 저자들은 ML의 채택이 단순한 기술적 과제가 아니라 역량 강화의 과제라고 주장한다. 본 연구는 ML이 학습 장애의 조기 식별 및 학업 참여 증진을 효과적으로 지원하기 위해서는 다음과 같은 전략적 초점이 필요하다고 결론짓는다:

1. AI 리터러시 및 데이터 분석 훈련을 통한 강사 역량 강화.
2. 디지털 인프라 및 기관 지원 시스템의 개선.
3. ML 스크리닝을 확립된 진단 및 개입 경로와 통합하는 윤리적 거버넌스 프레임워크 구축.

저자들은 자신의 연구 결과가 자기 보고식 데이터와 편의 추출법에 기반하고 있어 일반화에 한계가 있음을 인정하며 겸허한 입장을 유지한다. 그들은 ML이 전문적인 임상적 판단을 대체하는 것이 아니라 스크리닝을 위한 보조 도구로 기능함을 강조하며, 확률 추출법 및 실제 ML 시스템에 대한 종단적 실증 평가를 포함하는 후속 연구를 촉구한다.