지능형 튜터링 시스템 (ITS)

GLOBAL KEYWORD

지능형 튜터링 시스템(ITS)

- 인공지능 기반 수학교육 학습 플랫폼의 교수학습 전략

교육기본법 제2장 제12조는 “교육내용ㆍ교육방법ㆍ교재 및 교육시설은 학습자의 인격을 존중하고 개성을 중시하여 학습자의 능력이 최대한으로 발휘될 수 있도록 마련되어야 한다.”고 명시하고 있다. 학습자의 능력이 최대한으로 발휘될 수 있는 학교 교육을 실현 하기 위해서는 학습자의 특성과 학습 능력을 진단하고, 이를 바탕으로 개별 맞춤형 학습을 지원할 수 있어야 할 것이다.(Piech 외, 2015)

글. 김성훈 SNS-View 편집위원

가천대학교 인공지능융합교육 대학원 겸임교수

컴퓨터와 같은 자동화된 기계를 이용해 효과적인 교육을 하려는 시도는 1920년대부터 시작되었는데, 현재 인간과 닮은 지능형 튜터를 만드는 연구 분야로 ‘ITS(Intelligent Tutoring System, 지능형 튜터링 시스템)’가 빠르게 발전하고 있다(Bialik 외, 2020). ITS 에는 맞춤형 학습을 목표로, 최근 급속한 속도로 발달 중인 딥러닝 등 데이터 기반 기계 학습 기법도 활발히 활용되고 있다. 딥러닝 기술은 이미지 인식, 자연어 처리에서는 높 은 성능을 보이고 상용화된 서비스도 나오고 있으나, 교육 분야에서는 아직 뚜렷한 성과를 보이지 못하고 있다.(김성훈 외, 2019)

지능형 튜터링 시스템 (Intelligent Tutoring System, 이하 ITS) 인공지능 기법을 이용하여 인간 튜터처럼 학습자의 지식 상태를 진단하고, 적절한 교수학습 전략에 따라 맞춤형 콘텐츠와 피드백을 자동으로 제공하는 시스템

지능형 튜터링 시스템(ITS)의 기본 구조

ITS의 기본 구조

학습 진행

사용자 인터페이스 · 학습 행위 모니터 · 학습자 상태 해석

학생

학습자 모델

학습자의 인지적, 정의적 학습 행위 데이터

학습자의 학습 상태 평가 튜터 모델(교수 학습 전략)

맞춤형 피드백, 교수학습 전략

지식 도메인 모델

그림1. 지능형 교육 시스템(Intelligent Tutoring System, ITS)의 기본 구조(김현철 외, 2019)

· 교육할 주제의 지식, 전략, 문항 등을 구조화 · 주제에 따라 지식 도메인 별도 설계

· 학습자 모델과 도메인 모델 사용 · 적절한 콘텐츠, 단계, 평가 제공

· 교육을 하게 될 주제의 지식 정보 전략, 문항 등을 구조화

· 사용자 인터페이스: 학습자의 학습이 실제로 발생하는 부분으로 학습 행위를 모니터링, 학습자 진단 및 상태 해석을 하면서 학습자 모델로 학습자의 인지적, 정의적 학습 행위 데이터를 전송하 는 역할을 한다. · 학습자 모델 : 학생의 학습 행위 데이터를 바탕으로 학습자가 현재 어떤 개념을 알고 있고 모르는 지, 어느 정도의 수준에 도달하였는지를 모델링한다.

· 지식 도메인 모델 : 교육 콘텐츠에 대한 지식과 정보, 전략, 문항 등을 구조화시킨 모델이다. 예를 들어, 수학 하위 개념 단위별 강의들의 내용 요소, 난이도, 키워드, 문항별 힌트 및 문제풀이 등의 메타데이터를 구조화한다. · 튜터 모델 : 학습자 모델을 통해 학습자의 현재 상태를 평가한 정보와 지식 도메인 모델에서 현재 제공해야할 정보를 참고하여, 학습자별 맞춤형 콘텐츠와 평가 등 피드백 내용과 교수학습 전략을 사용자 인터페이스에 제공한다.

학습콘텐츠 교과별 특성이 다양하기 때문에, 내용 전문가은 개념 위계도를 개발하거나 개념 간의 선후 관계를 정의, 위계도를 데이터 기반으로 생성하는 등의 다양한 시도를 하고 있다(Kim 외, 2021). 학습자 상태는 지식 추적 연구 등에서 수행하고 있고 AUC 기준 90%정도로 개선된 성능을 보이고 있다(Zhang 외, 2017).

교수 방법적 측면에서는 이러한 기계학습 모델의 예측 결과가 설명가능한 형태로 교수자와 학습자에게 제공되어야 구성주위 관점에서 유의미한 교수법이 된다(Kim 외, 2021). 그러나 학습자 모델과 지식 도메인 모델의 구조와 특징은 해당 서비스 관계자가 아닌 일반적인 사용자가 모델의 알고리즘과 세부 내역을 파악하기에는 어려움이 있다. 이에, ITS 기본 구조 중 튜터모델(교수학습 전략)을 분석의 요소로 삼고, 교육부 똑똑수학탐험대, 웅진 AI 수학 등 국내외의 인공지능 기반 맞춤형 학습 플랫폼을 살펴보자.

인공지능 기반의 맞춤형 학습 플랫폼

가. 똑똑수학탐험대

2020년 초등학교 1,2학년을 대상으로 기초 수감각을 기를 수 있는 게임기반의 학습 플랫폼

그림2. 똑똑수학탐험대 서비스 랜딩 화면 (https://www.toctocmath.kr/) 인공지능 알고리즘을 활용하여 학생들의 현재 수준을 진단하고, 학습 결과를 분석하여 학습자 수준을 고려한 맞춤형 학습 활동을 제공함으로써 학생들이 수학 기초를 다지고 자신감을 갖도록 지원하고 있다. 현재 학습자 수준을 진단하는데에는 수학교육 전문가 들에 의해 구성된 진단검사 문항을 바탕으로 현재 사용자의 수준을 진단하고, 취약점을 보완하기 위한 추천 문항이 제공된다. 베타서비스로 인공지능 추천 서비스도 제공하고 있다. 학습 이력이 누적되면 기계학습 모델이 학습자의 지식 상태를 진단하고, 취약점을 강화 시킬 수 있도록 강화학습 기반[그림3] 학습 경로가 제공된다. 2022년 9월에는 서비스 대상을 기존 1~2학년에서 3~4학년까지 확대·운영한다.

< 인공지능(AI) 활용 초등수학수업 지원시스템 「똑똑! 수학탐험대」 >

진단평가

탐험활동

학생의 시작점 수준 진단

단원별 현재 수준 파악

그림3. 똑똑수학탐험대 진단과 추천 결과 (대한민국 정책브리핑)

인공지능 추천활동

학생 수준별 맞춤형 학습 활동 제공

나. Squirrel AI

전통적인 다인수 학급의 개별적 지도의 어려움을 극복하기 위해 인공지능을 활용한 전문 개인 튜터를 모방

그림4. Squirrel AI 서비스 랜딩 화면(http://squirrelai.com/)

K-12 학생들에게 저렴한 비용으로 개별화와 고품질의 방과 후 맞춤형 튜터링 제공하는데, 먼저 학습 과정을 진단하여 학생의 지식 상태와 능력 가치를 평가한 다음, 그에 따라 학생 에게 적합한 학습 자료와 함께 개인화된 학습 경로를 제안한다. 사용하는 학생은 이미 알고 있는 것에는 시간을 낭비하지 않을 수 있어 학습 부담도 줄일 수 있다. 홈페이지에 공개된 자료에 따르면 적용된 인공지능 서비스의 이름은 ‘적응형 기계학습 모델’로, 알고리즘 매개변수를 고려하여 분석 방법을 결정한다. 예를 들어 데이터 샘플 수가 특정 개수 미만일 경우 전문가의 경험에 따라 항목 난이도를 설정하게 되고, 데이터 샘플 수가 특정 개수 보다 이상일 때는 머신러닝 알고리즘을 사용하게 된다. 이러한 분석결과를 바탕으로 지식 그래프에서 학습자의 출발점을 조정하여 평가의 효율성을 크게 높일 수 있다고 한다.

다. 웅진 씽크빅 AI

2016년 시작된 웅진의 AI 수학 학습 서비스

웅진 씽크빅 AI는 온라인 서비스에 AI 기술을 접목하여 체계적인 관리 및 학습이 가능 하도록 기획되었다. 학생의 학습 빅테이터를 이용하여 분석하고 이를 기반으로 오답 노트를 제공한다는 것이 특징적이다. 1/1000초 마다 학습자별 상태를 기록하여 빅데이터를 누적하며, 현재 500억 건 이상의 학생들의 학습 행동패턴 데이터를 수집·분석하고 있다. 학습 테이터를 기반으로 문항별 성과를 분석하기 때문에, 학습 성취도 및 실시간 학습을 예측하여 필요한 문제만 출제하는 레벨형 맞춤 커리큘럼을 제공할 수 있다. 이러한 과정 으로 축적된 개별 학습 빅데이터는 학습자가 오답 원인을 찾고, 취약 개념을 집중 관리 할 수 있도록, AI 월간 분석지(학습결과, 학습습관 등)를 학부모에게 제공한다.

그림5. 웅진 씽크빅 AI 오답노트 중 AI 문항분석 (https://askedtech.com/product/499695)

라. 천재교육 닥터매쓰

취약점 분석 및 문항 추천 시스템 등 수준별 맞춤 문제를 제공하는 수학 솔루션

천재교육은 인공지능 기반의 수학 학습을 지원하기 위해 ‘닥터매쓰’를 새롭게 런칭하였다. 닥터매쓰는 기본적으로 교재 문항, 별도 출제 문항 등 약 40만개의 문항을 보유하고 있으며, 140종 이상의 교재 메타 데이터를 연동하여 유사 문항 및 쌍둥이 문항 추천, 채점 기능을 구현하고 있다. 인공지능 기능을 활용하여 오답 관리 기능을 확대한 것을 기반으로, 학생 개인별 AI 1:1 맞춤 학습을 제공한다. (학생별 취약점 분석, 추천 AI 엔진을 기초로 한 수준별 맞춤 문제 제공 등의 기능이 제공되고, 문항반응이론과 BKT, DKT 모형 등 다양한 인공지능 관련 이론들이 시스템에 적용되었다.)

그림 6. 천재교육 닥터매쓰 AI 엔진 특징 (https://wikidocs.net/128520)

맞춤형 수학 학습 서비스별 특징

교육부

YiXue

제공 서비스 명

똑똑수학 탐험대 - 학습 이력이 쌓여 감에 따라 기계학습 모델을 활용해 학습자의

Squirrel AI

웅진 씽크빅 AI

천재교육 닥터매쓰

튜터모델(교수학습 전략)

- 학습자들의 학습 이력 데이터 세트가 충분히 제공되기 전까지는 교육 전문가들에 의해 구성된 알고리즘에 따라 학습자 진단과 추천 서비스가 제공됨.

지식 상태를 진단하고, 취약점을 강화 시킬 수 있는 강화학습 기반의 학습 경로가 추천됨.

- 먼저 학습 과정을 진단하여 학생의 지식 상태와 능력 가치를 평가한 다음 그에 따라 학생에게 적합한 학습 자료와 함께 개인화 된 학습 경로를 제한함.

- 이를 통해 학생은 이미 알고 있는 것에는 시간을 낭비하지 않도록 하고, 학습효율을 향상시켜 학생의 학습 부담을 줄여줄 수 있음.

- 분석된 학습자의 특성을 바탕으로 지식 그래프에서 학습자의 출발점을 조정함.

- 1/1000초 마다 학습자 별로 상태를 기록하여 빅데이터를 누적하여 현재 500억 건 이상의 데이터를 수집 분석하여 학생들의 학습 행동패턴 분석함.

- 학습테이터를 기반으로 문항별 상과 분석을 통한 학습 성취도 예측함.

- 실시간 학습 예측을 통해 필요한 문제만 출제하는 레벨형 맞춤 커리큘럼 제공함.

- 단순 오답 노트가 아닌 AI분석으로 오답 원인을 찾아 취약 개념 집중 관리 및 AI 월간 분석지를 통해 학습결과, 학습습관을 AI가 분석하여 학부모에게 제공함.

- 140종 이상의 교재 메타 데이터를 연동하여 유사 문항 및 쌍둥이 문항 추천, 채점 기능을 제공함.

- 학생 개인의 취약점 분석 및 추천 AI 엔진을 기초로 학생 수준별 맞춤 문제를 제공하는 수학 학습 서비스이다. AI를 활용하기 위해 문항반응이론과 BKT, DKT 모형 등 다양한 이론을 접목하여 시스템에 적용함.

각 서비스별 특징을 종합하여 보면, 모든 서비스가 사용자인 학습자 또는 학부모에게 학습자의 학습 이력을 분석하여 제공 하고 있다는 특징이 있다. 제시하는 방식에서는 학습 경로 제시, 오답노트, 취약점 분석 보고서 등의 형태를 보이고 있다. 이는 구성주의적 관점에서 사용자의 자기주도적인 학습을 이끌 수 있는 좋은 매개체가 될 수 있으며, 지속적으로 제공되고 발전되어야 하는 영역이다. 또한, 공통적으로 데이터 기반의 기계학습 모델 기법을 활용하고 있다. 이중 씽크빅 AI에서는 예측 결과의 기인한 요소를 학습자에게 설명가능한 형태로 제공하는 AI 문항분석 기능이 제공되었다. 똑똑탐험대와 닥터매쓰는 딥러닝 기반의 지식 추적 모델이 활용되었고, 기존의 통계기반의 모델인 BKT에 비해 뛰어난 예측 성능을 보인다는 특징이 있다. 그렇지만 모델의 예측 결과를 사용자가 이해가능한 형태로 제공하기 위한 방법은 제시되지 못했다. 앞으로 맞춤형 학습 플랫폼에서 인공지능 기술은 점차 더욱 많은 역할과 기여를 할 것으로 예상된다. 기술의 발달로 더욱 많은 기능이 제공된다는 점은 긍정적이나 사용자(학습자, 학부모, 교사) 모두에게 유의미한 기능을 우선적으로 제공해야 하고, 이것이 활용되기 위해서는 사용자가 이해 가능한 형태로 제공되어야 할 것이다.

참고문헌

- Piech, C., Spencer, J., Huang, J., Ganguli, S., Sahami, M., Guibas, L., & Sohl-Dickstein, J. (2015). Deep knowledge tracing. arXiv preprint arXiv:1506.05908. - Wayne Holmes , Maya Bialik , Charles Fadel. 인공지능 시대의 미래교육. 역 정재영, 이선복. 박영스토리(2020). 191-208.

- 김성훈, et al. "설명 가능한 AI 학습 지원 시스템 개발." 컴퓨터교육학회 논문지 24.1 (2021): 107-115. - 김현철, 선동언 (2019). 프로그래밍 교육을 위한 지능형 교육 시스템 설계 연구. 청촌논총, 20, 199-218. - Kim, Seounghun, et al. "Learning Path Construction Using Reinforcement Learning and Bloom’s Taxonomy." International Conference on Intelligent Tutoring Systems. Springer, Cham, 2021.

- Zhang, J., Shi, X., King, I., & Yeung, D. Y. (2017, April). Dynamic key-value memory networks for knowledge tracing. In Proceedings of the 26th international conference on World Wide Web (pp. 765-774). - Kim, Seonghun, et al. "Student Knowledge Prediction for Teacher-Student Interaction." Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 35. No. 17. 2021.

- 윤세리, AI기술 활용 초등 수학수업 지원 ‘똑똑! 수학탐험대’, 대한민국정책브리핑, 2022.09.19, https://www.korea.kr/news/policyNewsView.do?newsId=148905975