‘빅데이터’라는 개념은 2011년 컨설팅회사인 맥킨지가 처음 사용한 이래 로 최근 몇 년간 가장 인기 있는 키워드 중 하나였다. 빅데이터는 전통적인 데이터 분석도구로 수집·저장·분석할 수 없는 대용량의 데이터를 말한다 (Manyika, 2011). 정보기술에 의한 데이터의 수집과 분석, 활용은 오래 전 부터 이루어져왔으나, 빅데이터의 시대가 도래되면서 데이터의 가치에 대 한 평가가 새롭게 이루어지고 있다. 빅데이터가 이 시대의 핵심 키워드로 자리 잡게 된 몇 가지 배경 중에 데이터의 디지털화(digitalization)는 가장 근본적인 요인이다. 대부분의 작업이 컴퓨터를 통해 이루어질 뿐만 아니 라, 인터넷의 사용이 일상화됨에 따라 디지털화된 데이터의 생성이 폭발적 으로 이루어지고 있다. 2020년까지 생성되는 디지털 데이터의 양은 35 제 타바이트로, 그 데이터를 레터용지에 타이핑했을 때, 지구를 30번 덮을 수 있는 정도의 양이다.1) 특히, 일반 사용자들의 소셜미디어 사용으로 인한
1. 들어가며
정윤혁 교수 | 울산과학기술대학교 테크노경영학부
빅데이터와 교육분석 (Education Analytics)
1) IDC Digital Universe Study (2011)
2. 학습분석(Learning Analytics)
텍스트나 사진과 같은 비정형(unstructured) 데이터의 폭증과 그에 대한 활 용은 데이터 분석에 새로운 장을 열었다고 할 수 있다. 기업들은 빅데이터 의 활용을 위해 정보시스템을 도입하거나 분석전문가를 채용하고 있으며, 정부 역시 빅데이터의 전략적 가치를 파악하고, 정부3.0이라는 운영철학의 핵심으로서 공공데이터 개방과 활용을 적극적으로 추진하고 있다.
빅데이터의 확산에 힘입어 교육 분석(Education Analytics)이라는 분야가 새롭게 관심을 받고 있다. 이것은 학습 분석(Learning Analytics)과 교육관리 분석(Academic Analytics)로 나눠진다. 학습 관련 데이터를 분석하여 학습자 의 성과를 평가·관리하는 것은 오래 전부터 행하여져 왔다. 최근에는 학 습 데이터의 양과 종류가 증가하고, 그것들에 대한 고도의 분석이 가능한 정보기술이 개발됨에 따라 학습 분석이 주목받게 되었다. 또, 교육 분야에 서 빅데이터에 기초한 교육조직의 운영과 정책개발에 대한 관심이 높아지 고 있는데, 이것에 관련한 것이 교육관리 분석이다. 본 글을 통해 교육 분 석을 중심으로 빅데이터가 교육 분야에 의미하는 바를 간략하게 살펴보고 자 한다.
학습 분석은 학습의 효율성 증대를 위해 학습자에 대한 데이터의 측정, 수집, 분석, 그리고 보고하는 것을 의미하는 반면, 교육관리 분석은 교육 기관이나 지역별, 국가단위에서 비즈니스 인텔리전스 시스템을 활용하여 교육 환경에 대한 효율적 관리를 목적으로 하는 것이다.2) 즉, 학습 분석은 마이크로 수준(micro-level)에서, 교육관리 분석은 매소 혹은 매크로 수준 (meso-or Macro-level)에서 데이터 분석기법을 응용하는 것이다.
학습 분석은 전적으로 학습과정에 집중한다는 점에서 보다 구체성을 갖 고 있다. 학습 분석은 몇 단계를 거쳐 진화하게 된다(Siemans and Long,
2) 1st International Conference on Learning Analytics and Knowledge, Banff, Alberta, Feb. 27 - Mar. 1, 2011.
2011). 우선 과목단위(course-level)에서 학습과정을 분석하고, 나아가 소셜 네트워크 분석을 통해 학습자의 사회적 관계를 분석하기도 한다. 소셜네트 워크 분석(social network analysis)은 학습자들의 대인관계의 구조와 역학을 분석하는 것으로서, 학습자의 사회적 관계망에서의 위상과 그 학습자에게 영향을 주는 사람이 누구인지, 어떻게 자율적인 학습자 조직이 구성되어 있는지 등의 정보를 제공할 수 있다. 소셜네트워크 분석을 통해 학습 환경 에 영향을 미치는 사회적 관계 요소를 파악하여 학습 환경 개선에 활용할 수 있다. 또한 과목수준에서 담화분석(discourse analysis) 기법도 활용되기 도 한다. 학습활동에 의해 생성된 데이터는 대부분 정형(structured) 데이터 로서 양적 학습 성과나 학습량과 같은 수량적 정보를 제공한다. 최근 텍스 트 데이터를 분석할 수 있는 툴이 진화함에 따라, 학습자의 에세이나 교사 와 학습자 간의 대화 등과 같은 텍스트 데이터를 분석하는 학습담화분석이 가능해졌다. 양적 데이터 분석과 함께 담화분석을 할 경우, 학습자와 학습 과정에 대한 보다 풍부한 해석이 이루어질 수 있다. 소셜네트워크서비스의 사용이 일상화되고, 사람들이 인터넷상에 자신의 글을 표현하는 일이 빈번 해짐에 따라, 교육 분야에서 소셜네트워크 분석은 더욱 용이해지고 담화분 석을 위한 텍스트 데이터의 양은 더욱 늘어남으로써, 두 분석의 교육 분야 에서의 활용도는 더욱 높아질 것이다.
학습 분석의 다음 단계는 예측분석(predictive analysis)에 기초한 교육데이 터마이닝(educational data-mining) 단계이다. 예측분석은 학습자나 학습활 동과 관련된 다양한 데이터, 가령 학습자의 인구학적 특징이나 과거 학습 성과, 온라인 학습도구를 사용할 경우 온라인 로그인 횟수, 온라인토론 참 여도 등과 같은 데이터를 데이터마이닝 기법을 통해 분석하여 학습자의 미 래성과나 활동에 대해 예측하는 방법이다. 학습자에게 예측결과를 제공함 으로써 자기주도형 학습을 효율적으로 진행할 수 있도록 도와주며, 교사의 효율적 개입(intervention)도 가능하게 한다. 다음은 지능형 혹은 맞춤형 교 육콘텐츠(intelligent or adaptive content) 단계로서, 학습자의 학습활동이나 성과에 기초하여 최적화된 학습콘텐츠를 제안한다. 맞춤형 학습 분석은 학 습자의 학습내용에 대한 이해 수준에 따른 피드백과 이후 학습내용을 모델 링한 것이다. 학습 분석의 최종단계는 맞춤형 학습(adaptive learning)이다.
학습자의 학습활동이나 사회적 활동 등과 같은 포괄적인 학습 환경의 분석 을 통해 맞춤형 콘텐츠를 포함하여 학습자의 맞춤형 학습 환경 제공을 목 적으로 한다. 컴퓨터와 인터넷의 사용의 일상화는 학습활동과 관련된 데이 터의 생성과 수집이 용이해져 방대한 학습자 데이터의 축적을 가져와 더욱 정교한 분석과 모델링을 가능하게 한다.
빅데이터의 핵심은 데이터가 조직이나 제도를 운영함에 있어 가치를 창 출할 수 있다는 확신과 그 확신의 실행에 있다. 교육기관이나 제도의 운영 은 방대한 데이터를 만들어내고, 그러한 데이터를 적극적으로 활용하여 교 육의 운영과 관리를 효율적으로 만드는 것이 교육운영 빅데이터의 요체이 다. 교육 분야에서도 조직이나 제도 운영에 있어 다양한 데이터를 고도의 분석기법을 통해 해석하는 노력이 더욱 요구된다. 이러한 교육운영에 관련 된 데이터의 분석에 초점을 둔 것이 교육관리 분석이다.
일반기업과 마찬가지로 교육기관 역시 정보를 전사적 자원관리 시스템 을 통해 관리하기도 하고, 데이터에 기초한 효율적 의사결정을 위해 비즈 니스 인텔리전트 시스템을 사용하기도 한다. 거의 모든 작업이 전산화됨 에 따라 생성되는 데이터의 양도 증가하고, 개별 교육조직들의 데이터를 통합 관리할 경우 빅데이터라는 표현에 걸맞은 대용량의 데이터가 축적될 수 있다. 학습 분석에 의한 개별 학습자 관련 데이터 분석과 조직단위의 교 육운영 정보가 지역이나 국가단위로 통합, 좀 더 엄밀히 얘기하자면 지역 내 혹은 국가 내 교육관련 데이터의 공유 및 활용가능성을 높여 교육 분야 가 데이터 중심(data-driven) 패러다임으로 전환되는 것이 교육 분야에서 의 빅데이터의 의미라고 할 수 있다. 아래의 <표 4-1>는 교육 분석에 대 해 각 수준 애널리틱스의 내용을 표현하고 있다(Siemans and Long, 2011;
UNESCO, 2012).
3. 교육관리분석(Academic Analytics)
빅데이터의 함의는 데이터 가치의 재확인과 공격적인 활용이다. 교육 분 야 역시 빅데이터의 대세를 따라 데이터중심 패러다임을 받아들여야 한다.
학습 분석의 적극적 활용이 요구되며, 나아가 한국형 학습 분석 소프트웨 어에 대한 개발노력도 필요하다. 교육 공영방송사인 EBS가 학습 분석도구 를 제공함으로써 한국에 학습 분석이 자리매김하는 데 기여할 수 있다. 학 생이나 교사가 온라인상에서 EBS의 학습 분석 툴을 접속하여 사용할 경 우, 사회적으로 데이터에 기반을 둔 학습관리가 확대될 수 있고, 반면 EBS 는 개별 학습자의 데이터를 수집, 분석할 수 있는 환경을 갖추게 된다. 학 습자의 학습 분석 도구 사용으로부터 생성되는 데이터가 축적될 경우 학습 분석 툴의 고도화가 가능한데, 이를 위해 EBS는 사전에 빅데이터 시스템을 구축하여 대용량 데이터의 저장과 분석을 준비할 필요가 있다.
또한, PC나 모바일 등 컴퓨터를 통한 교육콘텐츠의 소비가 증가하고 있 어, EBS는 그로부터 생성되는 데이터를 적극적으로 활용할 수 있다. 인터 넷 교육콘텐츠 소비는 로그데이터부터 사용자의 피드백(댓글, 질문)과 같 은 다양한 학습자 데이터를 제공할 수 있다. 이러한 데이터의 분석은 기 존 콘텐츠의 개선과 새로운 콘텐츠의 개발에 활용될 수 있고, 나아가 학습 자의 학습 분석 도구 사용 데이터와 결합할 경우 학습자 맞춤형 콘텐츠의
<표 4-1> 교육 분석의 내용
분석종류 분석단계 및 분석방법 분석 수혜자 분석수준
학습 분석 (Learning Analytics)
과목단위(Course-level): 학습과정분석, 소셜네트워크분석, 담화분석
학습자, 교습자
Micro(개별 학습자나 학습자집단의 학습활동 데이터를 추적·해석)
교육데이터마이닝(Education data-mining): 예측분석 지능형 맞춤형 콘텐츠(Intelligent or
adaptive content) 맞춤형 학습(Adaptive learning) 교육관리 분석
(Academic Analytics)
조직단위: 조직성과평가, 지식관리 관리자 Meso(조직 수준의 분석. 비즈니스 인텔리전트 분야)
지역단위 지자체 Macro(개인과 조직 수준 데이터를 축적하여 지역이나
국가수준의 분석을 통해 정책수립)
국가단위 교육당국
4. 나오며
제공을 가능하게 한다. 이렇게 학습자의 학습 분석 도구 사용과 인터넷 교육 프로그램 소비로부터 생성되는 데이터가 지속적으로 축적되어 분석 가능할 경우, 이전에는 불가능했던 데이터 혜안(data Insight)을 가질 수 있다.
참 | 고 | 문 | 헌
• Manyika, J. (2011). Bid Data: The Next Frontier for Innovation, Competition, and Productivity. Executive Summary, McKinsey Global Institute.
• Siemens, G. and Long, P. (2011) Penetrating the Fog: Analytics in Learning and Education.
EDUCAUSE Review, 46(5), 31-40.
• UNESCO (2012). Learning Analytics Policy Brief.
