AI 기반의 개인화된 교육과 맞춤형 학습 경험(Google: Towards an AI-Augmented Textbook)

포스팅 개요

전통적인 교과서는 교육의 핵심적인 도구이지만, 모든 학생에게 동일한 내용을 제공한다는 근본적인 한계를 가지고 있습니다. 새로운 자료를 추가하거나 내용을 다르게 표현하려면 많은 시간과 노력이 필요하기 때문에, 확장 가능한 방식으로 교과서를 수정하는 것은 거의 불가능했습니다.

하지만, 최근 급격히 발전한 생성형 AI 기술이 교육 분야에 혁실을 가져올 잠재력이 있다는 구글의 연구가 있는데요.

본 포스팅은 구글에서 소개한 논문 Towards an AI-Augmented Textbook 논문을 리뷰하면서 AI가 교육에 미치는 영향, 기존 교육 시스템을 어떻게 바꿀 수 있을지에 대한 인사이트를 정리합니다.

 

- https://services.google.com/fh/files/misc/ai_augmented_textbook.pdf

---

포스팅 본문

1. Learn Your Way

이 논문은 생성형 AI를 활용하여 기존 교과서의 한계를 극복하고, 학생들에게 개인화된 학습 경험을 제공하는 "Learn Your Way" 라는 시스템을 제안합니다. 전통적인 교과서가 모든 학생에게 동일한 내용을 제공하는 'one-size-fits-all' 방식이었다면, 이 연구는 AI를 통해 학습자 개개인의 특성과 요구에 맞춘 'AI 증강 교과서' 의 가능성을 제시합니다.

전통적인 교과서는 교육의 핵심적인 도구이지만, 모든 학생에게 동일한 내용을 제공한다는 근본적인 한계를 가지고 있습니다. 새로운 자료를 추가하거나 내용을 다르게 표현하려면 많은 시간과 노력이 필요하기 때문에, 확장 가능한 방식으로 교과서를 수정하는 것은 거의 불가능했습니다.

이 연구는 최근 급격히 발전한 생성형 AI 기술이 교육 분야에 혁신을 가져올 잠재력이 있다는 점에서 출발합니다. 연구팀은 AI를 활용하여 기존 교과서 내용을 변형하고 보강함으로써, 원본 콘텐츠의 무결성과 품질을 유지하면서도 다양한 표현 방식과 개인화된 학습 경험을 제공할 수 있다고 보았습니다. 이러한 접근 방식으로 구축된 시스템이 바로 "Learn Your Way" 입니다.

 

 

Figure 1은 'Learn Your Way' 시스템의 실제 사용자 인터페이스를 보여줍니다.

• 중심 콘텐츠: 화면 중앙에는 '몰입형 텍스트(Immersive Text)'가 표시되어 있습니다. 이 예시에서는 OpenStax(다양한 학문 분야의 교육욕 콘텐츠를 제공)의 '면역 체계의 이상'에 대한 내용을 6학년 수준과 '게임'이라는 개인적 관심사에 맞춰 변환한 결과물을 보여줍니다.
• 생성형 애드온: 텍스트 주변에는 다음과 같은 다양한 AI 생성 기능들이 라벨로 표시되어 있습니다.

1. 다양한 보기 형태: 몰입형 텍스트, 마인드맵, 오디오 강의, 슬라이드 및 내레이션 등 학습자가 선택할 수 있는 여러 콘텐츠 형태를 제공합니다.
2. 텍스트 개인화: 학습자의 수준과 관심사에 맞춰 텍스트가 개인화되었음을 나타냅니다.
3. 내장된 질문 (Embedded Question): 학습 내용 중간에 이해도를 확인할 수 있는 질문이 포함되어 있습니다.
4. 시각적 삽화 (Visual Illustration): 본문 내용과 관련된 이미지가 생성되어 이해를 돕습니다.
5. 연습 퀴즈 (Practice Quiz): 학습을 마친 후 이해도를 점검할 수 있는 퀴즈가 제공됩니다. 

 

2. 연구 방법론

"Learn Your Way"는 두 가지 핵심 개념, 즉 '다중 표현(multiple representations)' 과 '개인화(personalization)' 를 기반으로 합니다. 연구팀은 2단계 AI 생성 방식을 제안했는데, 먼저 원본 텍스트를 개인화한 다음, 다양한 형태의 프레젠테이션 및 평가 구성 요소로 변환하는 것입니다. 이 과정에서 가장 중요한 것은 콘텐츠가 원본 및 교육 과정과 적절히 일치하고, 프레젠테이션이 매력적이며 교육적으로 효과적이어야 한다는 점입니다.

1. 텍스트 개인화 (Text Personalization)

- 학년 수준 맞춤화: 학생의 읽기 수준에 맞춰 텍스트를 재작성합니다. 이는 Flesch-Kincaid Grade (FKG)와 같은 지표를 활용하여 이루어지며, 내용의 사실성과 정보량을 유지하는 것을 목표로 합니다.

- 개인 관심사 맞춤화: 학생이 선택한 관심사(예: 스포츠, 음악, 음식)에 맞춰 텍스트를 재작성하여 학습 내용을 더욱 흥미롭고 관련성 있게 만듭니다. 예를 들어, 뉴턴의 제3법칙을 설명할 때 농구에 관심 있는 학생에게는 농구공을 드리블하는 예시를, 미술에 관심 있는 학생에게는 캔버스에 붓을 누르는 예시를 들어 설명합니다.

 

2. 콘텐츠 변환 (Content Transformations)

개인화된 텍스트를 기반으로 다양한 형태의 학습 콘텐츠를 생성합니다.

- 슬라이드 및 내레이션: 핵심 내용을 간결하게 요약한 슬라이드와 함께, 자연스러운 음성 해설을 제공하여 수업과 유사한 학습 경험을 제공합니다.

- 오디오-그래픽 강의: 교사와 학생의 대화 형식으로 구성된 오디오 강의와 함께, 핵심 개념을 시각적으로 표현한 그래픽 자료를 제공하여 학습 효과를 높입니다.

- 마인드맵: 정보를 계층적으로 구성하여 전체적인 내용을 한눈에 파악할 수 있도록 돕습니다.

- 몰입형 텍스트 (Immersive Text): 개인화된 텍스트에 타임라인, 기억 보조 장치(mnemonic), 시각적 삽화 등 다양한 요소를 추가하여 학습 경험을 풍부하게 만듭니다.

반응형

 

Figure 2 그림은 'Learn Your Way' 시스템의 핵심 작동 방식인 2단계 생성 절차를 명확하게 보여줍니다. 상단에는 OpenStax 교재에 실린 뉴턴의 제3법칙에 대한 일반적인 예시("발가락을 부딪혔을 때의 경험")가 제시됩니다.

 

1단계 - 개인화: 이 원본 텍스트가 두 가지 다른 학습자 프로필에 따라 맞춤화됩니다.

- 왼쪽 (농구): 11학년 학생의 '농구' 관심사에 맞춰 "농구공을 드리블하는" 예시로 텍스트가 변경되었습니다.

- 오른쪽 (미술): 5학년 학생의 '미술' 관심사에 맞춰 "캔버스에 붓을 누르는" 예시로 텍스트가 변경되었습니다.

 

2단계: 콘텐츠 변환: 개인화된 텍스트를 기반으로 슬라이드, 퀴즈, 이미지와 같은 다양한 형태의 학습 자료가 생성됩니다. 예를 들어, 농구 예시에서는 농구 선수가 점프하는 상황에 대한 퀴즈가, 미술 예시에서는 붓과 캔버스에 대한 퀴즈가 만들어집니다.

 

 

Figure 3는 OpenStax의 '경제 체제를 조직하는 방법'이라는 주제를 바탕으로 생성된 개인화된 슬라이드 한 장을 보여줍니다. 슬라이드는 '시장 경제에서의 소득'에 대해 설명하고 있습니다. 학습자의 관심사가 '축구' 인 경우에 맞춰, 시장 경제의 가치와 소득에 대한 예시로 유명 축구 선수인 '리오넬 메시'와 '크리스티아누 호날두' 를 언급합니다. 이처럼 개인화된 텍스트를 기반으로 슬라이드를 제작함으로써 일부 학습자에게 더 효과적인 프레젠테이션 형식을 제공할 수 있습니다.

 

Figure 4는 OpenStax의 '초기 인류의 진화와 이주'라는 원본 자료를 바탕으로 생성된 마인드맵의 예시입니다. 정보가 계층적으로 정리되어 있어 학습자가 전체 자료를 다양한 깊이에서 조망할 수 있으며, 사용자는 마인드맵의 각 노드(node)를 확장하거나 축소하여 더 세분화된 내용을 확인할 수 있습니다. 또한, 가장 마지막 단계의 노드(leaf nodes)에는 원본 자료에서 파생된 설명 텍스트나 관련 시각 자료가 포함되어 있습니다.

 

3. 평가 결과

그럼 실제 사용자들의 반응은 어땠을까요? 본 논문에서는 실제 교육적인 평가와 사용자의 평가 둘 다 제시하였습니다.

 

Figure 7은 교육 전문가들이 'Learn Your Way'의 다양한 구성 요소들을 교육학적 기준에 따라 평가한 결과를 보여주는 두 개의 막대그래프입니다. 전문가들은 정확성, 내용 범위, 인지 부하, 동기 부여 등 여러 기준에 따라 각 기능에 대해 '동의(1.0)', '중립/부분 동의(0.5)', '비동의(0.0)'로 점수를 매겼습니다.

위쪽 그래프는 정확성(Accuracy), 내용 범위(Coverage), 강조(Emphasis), 참여도(Engagement)와 같은 상위 수준의 지표에 대한 평가 결과를 보여줍니다.

아래쪽 그래프는 인지 부하(Cognitive load), 능동적 학습(Active Learning), 메타인지 심화(Deepen Metacognition) 등 핵심 학습 과학 원칙에 기반한 지표들의 평가 결과입니다.

 

논문에서 제시한 방법은 전반적으로 모든 구성 요소가 교육적으로 높은 가치를 지니고 있으며, 특히 '전반적인 경험(Overall experience)' 항목은 모든 기준에서 0.90 이상의 높은 점수를 받았습니다. 다만, '시각적 삽화(Visual illustrations)' 항목은 교육적인 고품질 이미지를 생성하는 것이 어렵기 때문에 다른 기능에 비해 상대적으로 낮은 점수를 받았습니다. 흥미로운 점은, 일반 '슬라이드'보다 '내레이션이 포함된 슬라이드(Narrated slides)'가 '참여도' 항목에서 훨씬 높은 점수를 받았다는 것입니다.

 

 

 

Figure 9은 'Learn Your Way'의 학습 효과를 검증하기 위해 진행된 무작위 통제 실험의 결과를 보여줍니다. 이 실험은 'Learn Your Way'를 사용한 그룹과 일반 '디지털 리더(Adobe Acrobat Reader)'를 사용한 통제 그룹의 성적을 비교했습니다.

 

왼쪽 그래프 (즉각적인 평가)

학습 직후에 치른 평가의 평균 점수를 보여줍니다. 'Learn Your Way' 그룹은 평균 77%의 점수를, '디지털 리더' 그룹은 평균 68%의 점수를 기록했습니다.

 

오른쪽 그래프 (유지 평가)

 학습 3일 후에 장기 기억을 측정하기 위해 치른 평가의 평균 점수를 보여줍니다. 결과는 즉각적인 평가와 동일하게, 'Learn Your Way' 그룹이 77%, '디지털 리더' 그룹이 68%의 점수를 받았습니다. 논문에 따르면 두 평가 모두에서 'Learn Your Way'를 사용한 학생들의 점수가 통계적으로 유의미하게 높았습니다 (p=0.03). 이는 'Learn Your Way'가 단기적인 학습 이해뿐만 아니라 장기적인 지식 유지에도 더 효과적임을 시사합니다.

 

4. 인사이트와 한계점 그리고 변화의 지점

AI 기술이 교육 분야에서 단순한 보조 도구를 넘어, 학습자 중심의 개인화된 교육을 실현하는 핵심적인 역할을 할 수 있음을 보여줍니다. 앞으로는 학생 개개인의 학습 속도, 스타일, 관심사에 맞춰 교육 콘텐츠와 방법이 동적으로 변화하는 시대가 올 것입니다. 또한, 생성형 AI는 기존 교과서를 개인화되고 매력적인 학습 경험으로 전환할 수 있는 엄청난 잠재력을 가지고 있다는 인사이트를 얻을 수 있었으며 "Learn Your Way"와 같은 AI 증강 교과서는 학생들의 학습 효과를 실질적으로 향상시킬 수 있다는 것을 보여주었습니다.

다만, 변화의 지점이 필요할 것입니다. 일단 바로 교사의 역할에 대해서 이야기 할 수 있을 것 같은데요. AI가 콘텐츠 생성 및 평가의 상당 부분을 자동화함에 따라, 교사는 지식 전달자에서 학생들의 학습 과정을 촉진하고 심층적인 상호작용을 통해 고차원적인 사고를 유도하는 '학습 촉진자(facilitator)' 또는 '코치(coach)' 로서의 역할이 더욱 중요해질 것입니다.

뿐만 아니라, 여러 한계점과 개선점이 필요할 것입니다. 생성형 AI가 만들어내는 콘텐츠의 정확성, 신뢰성, 편향성 문제는 앞으로 해결해야 할 중요한 과제입니다. 특히 교육 분야에서는 잘못된 정보가 학생들에게 미치는 영향이 크기 때문에, 콘텐츠 검증 및 품질 관리를 위한 체계적인 시스템 구축이 필수적입니다.

그리고 AI 기반의 고도화된 교육 기술이 모든 학생에게 동등하게 제공될 수 있도록 기술 접근성 문제에 대한 고민이 필요합니다. 디지털 기기 보급, 인터넷 환경, 기술 활용 능력 등에서 발생하는 격차가 교육 불평등으로 이어지지 않도록 사회적인 노력이 동반되어야 할 것입니다.

 

AI는 교육을 어떻게 변화시킬까요? 개인적으로 교육 도메인에 6년 정도 몸 담았던 경험상 쉽지는 않을 것이라고 생각은 드는데요.

결국 변화는 일어날 것입니다. 어떤 변화가 나올 수 있을 지 기대되네요.