The Development of Software Teaching-Learning Model based on Machine Learning Platform

머신러닝 플랫폼을 활용한 소프트웨어 교수-학습 모형 개발

1)

박대륜^*․안중민^**․장준혁^***․유원진^****․김우열^*****․배영권^*****․유인환^*****

대구서재초등학교^*․대구화원초등학교^**․대구창의융합교육원^***․ 대구미래교육연구원^****․대구교육대학교 컴퓨터교육과^*****

요약

현대사회는 21세기 초반 지식정보사회를 지나 지능정보사회로 바뀌어 가고 있다. 본 연구에서는 지능정보사회 에서 요구되는 학습자의 핵심역량을 신장시키기 위하여 인공지능의 한 분야인 머신러닝을 기반으로 소프트웨어 교육 교수-학습 모형을 개발하였다. 본 모형은 인공지능 자체에 대한 학습의 부담감을 줄이고, 머신러닝을 활용 하여 문제를 해결하는 과정에서 핵심역량을 신장시키는 것에 중점을 두었다. 개발된 모형의 구체적인 단계는 문 제인식 및 분석, 데이터 수집, 데이터 가공 및 선별, ML모델 훈련 및 평가, ML프로그래밍, 적용 및 해결, 공유 및 환류의 7단계로 구성되어 있다. 본 연구에서 개발한 모형을 학생과 학부모를 대상으로 적용한 결과 긍정적인 반응을 얻을 수 있었으며, 이를 통해 머신러닝 기반의 소프트웨어 교육 프로그램의 개발 및 운영에 작은 밑거름 을 제시할 수 있을 것으로 기대한다.

키워드 : 인공지능, 머신러닝, 소프트웨어교육, 융합교육, 아동용 머신러닝

The Development of Software Teaching-Learning Model based on Machine Learning Platform

Daeryoon Park^*․Joongmin Ahn^**․Junhyeok Jang^***․Wonjin Yu^****․ Wooyeol Kim^*****․Youngkwon Bae^*****․Inhwan Yoo^*****

Daegu Seojae Elementary school^*․Daegu hwawon Elementary School^**․Daegu Institute of Creative and Convergence Education^***․Daegu Future Education Research

Institute^****․Daegu National University of Education Dept. of Computer Education^*****

Abstract

The society we are living in has being changed to the age of the intelligent information society after passing through the knowledge-based information society in the early 21st century. In this study, we have developed the instructional model for software education based on the machine learning which is a field of artificial in- telligence(AI) to enhance the core competencies of learners required in the intelligent information society. This model is focusing on enhancing the core competencies through the process of problem-solving as well as reducing the burden of learning about AI itself. The specific stages of the developed model are consisted of seven levels which are ‘Problem Recognition and Analysis’, ‘Data Collection’, ‘Data Processing and Feature Extraction’, ‘ML Model Training and Evaluation’, ‘ML Programming’, ‘Application and Problem Solving’, and ‘Share and Feedback’.

As a result of applying the developed model in this study, we were able to observe the positive response about learning from the students and parents. We hope that this research could suggest the future direction of not only the instructional design but also operation of software education program based on machine learning.

Keywords : Artificial Intelligence, Machine Learning, SW Education, Machine Learning for Kids

교신저자 : 유인환(대구교육대학교 컴퓨터교육과) 논문투고 : 2020-01-31

논문심사 : 2020-02-07 심사완료 : 2020-02-19

1. 연구의 필요성

현대사회는 지능정보사회로 이행되고 있다. 방대하게 생성되는 정보를 활용한 다양한 분야에서의 인공지능이 주목받고 있다. 이러한 싱황에서 교육에서도 소프트웨 어교육 활성화와 AI교육 기반 마련을 위해 국가적 차원 의 역량을 집중하고 있다[1].

현재 학교 현장에서 ‘인공지능교육’을 인공지능 활용 교 수학습지원시스템(LMS)을 의미하는 경우가 많으며 많은 수의 교육 관계자 또한 그렇게 인식하는 경우가 많다. 하 지만 인공지능 LMS는 전통적인 교수학습 장면에서 교수 ㆍ학습의 보조 도구로서의 가치는 지닌다 할지라도 국가 적 차원에서 시도하는 AI교육 기반 조성과는 다소 거리가 있으며 AI교육은 학생들이 자신의 삶 속에서 AI가 갖는 의미를 찾고, 나아가 AI를 활용하여 실생활 속 문제를 해 결하는 경험을 제공해 주는 방향으로 나아가야 할 것이다.

AI교육은 기존의 소프트웨어교육과 구분되는 별개의 교육 영역이 아니다[2]. AI교육의 목표가 ‘인공지능 기 술에 대한 이해와 개발’ 이 아니라 컴퓨팅 사고력의 신 장과 실생활 문제해결력 향상을 통한 창의융합형 인재 양성이라고 본다면, 큰 맥락에서 소프트웨어교육과 AI 교육은 동일선상에 있는 것으로 이해할 수 있다.

현재 인공지능과 프로그래밍을 연계하기 위한 여러 플랫폼이 개발되어 서비스되고 있으며 이를 통해 단순 히 인공지능에 대한 체험뿐만 아니라 인공지능을 활용 한 프로그램을 직접 구현해봄으로써 소프트웨어교육과 인공지능을 융합하여 교육할 수 있다[3].

이에 본 연구에서는 지능정보사회에서 요구되는 학습 자의 핵심 역량을 살펴보고, 이러한 핵심역량을 신장시 키기 위하여 인공지능의 한 분야인 머신러닝을 기반으 로 소프트웨어교육 교수-학습 모형을 개발하고자 한다.

2. 관련 연구

2.1 지능정보사회와 교육

‘4차 산업혁명’이라는 용어는 2016년 4월 ‘Mastering the Forum Industrial Revolution’을 주제로 열린 세계경 제포럼(WEF: World Economic Forum)에서 활발하게

논의되었다[4]. 4차 산업혁명은 경제, 산업, 정치 뿐만 아니라 교육에서 중요한 화제가 되었다. 이는 인간이 앞 서 경험하지 못한 빠른 변화와 전환으로 지능정보기술 이 기반이 되는 특징을 가진다[5].

이러한 4차 산업혁명사회는 산업 변화에 초점을 맞추어 살펴보고 있기 때문에 교육을 포함한 사회 변화에 초점을 맞춘 ‘지능정보사회’를 교육의 측면에서 살펴보고자 한다[6].

여기서 말하는 지능정보사회(Intelligent Information Society)는 데이터와 지식이 보다 중요해지며 사회 및 경제 전반의 큰 변화가 예상되는 사회이다[7]. 큰 변화 의 요인을 고도화된 정보통신기술 인프라 (ICBM; IoT + Cloud + BigData + Mobile)에서 찾고 있으며 빅데이 터가 결합된 인공지능이 사회 전 분야에서 활용되며 새 로운 혁신이 이어지는 사회라고 할 수 있다.

위와 같은 특징을 가지는 지능정보사회를 대비한 교 육을 논하기 위해 학습자가 가져야 할 역량을 살펴볼 필요가 있으며 그 내용은 (Fig. 1)과 같다.

Competency of Learner’s in

Intelligent Information

Society AI Platform

Utilization

Self and Relationship

Control

AI-based Advanced Thinking Capabilities

Intelligent Information

Society Foundation

(Fig. 1) Core Competency of Learner’s in Intelligent Information Society

지능정보사회에서 요구되는 학습자 역량은 첫 번째로 인공지능이 사회에서 전반적으로 활용되며 AI플랫폼을 활용하는 역량이다. 두 번째는 디지털 리터러시와 프로 그래밍과 같은 지능정보사회의서의 기초 역량이다. 세 번째는 과제 집착력, 몰입, 조율, 협력과 같은 자기 자신 과 관계를 조절할 수 있는 역량이다. 마지막은 컴퓨팅 사고력, 비판적 사고력, 논리 및 추론 사고력, 창의력을 포괄하는 AI기반 고등사고 역량이다[1].

2.2 인공지능

인공지능(Artificial Intelligence)은 기계가 인간 행동 의 지식과 같이 행동하게 만드는 것으로 이와 관련된 빅

데이터, 머신러닝 등의 개념을 함께 살펴볼 수 있다[8].

인공지능의 근간이 되는 머신러닝은 1959년 아서 사무 엘이 ‘코드로서 명령하지 않은 동작을 데이터로 학습하고 기계가 실행하도록 알고리즘을 개발하거나 연구하는 분야’

로 정의한 개념이다[9]. 이러한 머신러닝은 분류에 따라 지 도학습, 비지도학습, 강화학습으로 살펴볼 수 있다[9][10].

2.3 인공지능 교육 도구

최근 인공지능을 체험하고 배울 수 있는 교육 서비스 가 다양하게 개발되어 활용되고 있다. 생활 속에서 친숙 하게 볼 수 있는 인공지능 스피커를 직접 만들어보는 키트부터 핵심이 되는 머신러닝의 원리를 프로그래밍으 로 구현해보는 플랫폼까지 종류가 다양하다.

Google에서는 AIY 프로젝트로 인공지능 스피커 및 이 미지 인식 도구를 직접 만들어보는 키트를 제공하고 있다 [11]. 카드보드 재질로 쉽게 외형을 조립해볼 수 있으며 구동을 위한 프로그램을 Python을 활용해 프로그래밍하 고 입력해보며 직접 만든 인공지능을 체험해볼 수 있다.

인공지능의 핵심이 되는 머신러닝에 대해 학습할 수 있 는 도구로는 Google의 Teachable Machine Learning과, IBM의 Machine Learning for kids가 있다. 두 서비스 모 두 머신러닝의 원리를 다양한 예제를 통해 웹상에서 체험 해볼 수 있는 도구이지만 구현한 머신러닝을 프로그래밍 과 연계하는데 있어 아래와 같은 차이점이 있다[12][13].

Google Teachable Machine Learning에서는 구현한 머신러닝을 프로그래밍 활동으로 이어지게 하기 위해서 는 HTML 코드나 텍스트형 프로그래밍 언어인 Python 을 활용하여야 한다. 하지만 IBM의 Machine Learning for Kids는 블록형 프로그래밍 도구인 Scratch를 활용 한 프로그래밍을 지원한다. 이러한 특징으로 프로그래 밍에 익숙하지 않은 초등학교 학습자의 경우 블록형 프 로그래밍 언어를 지원하는 Machine Learning for Kids 를 통해 보다 쉽게 머신러닝의 원리를 체험할 수 있다.

2.4 머신 러닝

머신러닝(Machine Learning)이란 인공지능의 한 분 야로써 컴퓨터 시스템이 스스로 패턴과 추론을 통하여 작업을 수행할 수 있는 알고리즘과 통계 모델에 관한

연구이다[14].

머신러닝이란 이름은 1959년 Arthur Samuel의 IBM Journal에서 처음 등장한다. 이후 미국의 Tom M.

Mitchell이 머신러닝 알고리즘에 대한 형식적 정의를 내 렸으며 머신러닝은 경험(Experience), 작업목표(Task), 성능지표(Performance measure)로 구성되며 어떠한 작 업 목표(T)에 대한 성능지표(P)는 경험(E)의 제공으로 향상된다고 말하였다[15].

머신러닝, 즉 기계가 학습하는 방법은 지도학습(Supervized learning)과 비지도학습(Unsupervised learning), 강화학습 (Reinforcement learning)이 있다. 지도학습은 연습 데이터에 대한 결과값을 알려준 다음 다른 데이터에 대한 결과값을 알 아내는 방식이다. 비지도학습은 연습 데이터에 대한 결과값을 알려주지 않는 방식이다. 이는 데이터 그 자체에 집중하는 방 식으로 데이터 자체의 구조, 특징, 그리고 데이터 간의 관계를 보여주는데 적합하다. 강화학습은 행동의 주체가 되는 에이전 트(agent)가 현재 상태(state)를 인식하고 선택 가능한 행동 (action) 중 최대 보상을 가지는 행동을 선택하는 방식으로 AI 게임 및 자율주행자동차 분야 등에서 주로 활용된다[14].

2.5 Machine Learning for Kids

Machine Learning for Kids는 인공지능을 학습할 수 있는 플랫폼으로 머신러닝의 원리를 웹 상에서 간단히 체험할 수 있다[16].

Machine Learning for Kids의 활용 절차를 도식화 하면 (Fig. 2)와 같다.

1. Create Account Machine Learning for kids

2. Linkage after creating IBM Cloud account and Watson API

3. Create project 4. Training 5. Learning and Evaluation

6. AI Programming

(Fig. 2) Machine Learning for Kids Process

1, 2단계는 최초 계정 생성 시에만 거치는 단계이며 이후 학습 활동은 3～6단계를 거치게 된다.

교사는 아래 (Fig. 3)과 같이 코드를 생성한 계정을 만들어 무료로 사용이 가능하다.

Machine Learning for Kids에서는 단어 인식, 이미지 구분 등 다양한 예제를 제공하고 있어 아래 (Fig 4)와 같이 인공지능에서의 학습과 훈련을 체험해볼 수 있다.

(Fig. 4) Scene of Data Collection

Machine Learning for Kids는 Python과 같은 텍스트형

프로그래밍 언어나 (Fig. 5)처럼 Scratch 블록형 프로그래 밍 언어로 인공지능 프로그램을 만들 수 있다. 이를 통해 소프트웨어교육과 연계한 인공지능 교육이 가능하다.

3. ML 교수-학습 모형 개발 3.1 개발 방향

모형을 개발하기에 앞서 우선적으로 고려를 한 부분 은 학습자의 인공지능에 자체에 대한 학습 부담감을 줄 이고 문제를 해결하는 과정에서 학습이 이루어지도록 하였다. 따라서 본 연구는 머신러닝 기반 교수-학습 모 형의 개발 방향을 다음과 같이 설정하였다.

첫째, 머신러닝 자체에 대한 학습보다 머신러닝을 활 용한 문제 해결의 전 과정에서 지능정보사회에서 요구 하는 역량을 기를 수 있도록 한다.

둘째, 이미 만들어진 머신러닝 모형을 단순히 사용하 는 것이 아닌 문제에 따라 학습자만의 모형을 만들어 해결할 수 있도록 한다.

셋째, 머신러닝 모형을 만들기 위한 데이터를 처리하 는 단계를 통하여 학생들의 능동적 문제 해결 과정을 학습할 수 있도록 한다.

넷째, 학습된 머신러닝 모형을 그대로 사용하지 않고 평가 단계를 거쳐 정교한 모형 개발 단계를 체험할 수 있도록 한다.

다섯째, 공유 및 피드백 단계를 통하여 문제 해결을 위한 프로그램을 개선할 수 있도록 한다.

3.2 개발 절차

대구교육대학교 교수 3명과 초등학교 교사 4명이 참 여한 연구진에 의해 교수학습 모형의 개발 방향에 따라 (Fig. 7)과 같은 절차로 개발을 진행하였다.

첫째, 학습자가 학습을 통해 도달해야 하는 머신러닝 활용 수업 목표를 설정하고 기본 방향을 설정한다.

둘째, 머신러닝 및 SW 교수-학습과 관련된 선행 교 수-학습 모형을 분석한다.

셋째, 선행 모형 분석 결과를 바탕으로 머신러닝 학 습 모형을 개발한다.

(Fig. 3) Scene of Account Creation

(Fig. 5) Scene of AI program development

넷째, 개발된 모형에 대한 전문가 검토를 실시한다.

다섯째, 개발된 모형에 따라 학습에 적용할 프로그램 을 개발 및 적용한다.

여섯째, 학습 프로그램 적용 후 설문을 통하여 효과 성을 검증한다.

Set goals and default directions

Existing Model Analysis (ML and Software Instruction Model)

Development Instruction Model Developed Model Expert Review Learning program development and application

Developed model evaluation

(Fig. 6) Development Procedure about Software Instructional Model based on Machine Learning

3.3 ML 모형의 개발

본 연구에서는 실생활의 문제 해결 과정에 머신러닝 을 활용하여 보다 효과적인 학습이 이루어질 수 있도록 앞서 고찰한 머신러닝의 단계 및 기존의 SW 교수-학습 모형 분석을 기초로 하여 (Fig. 7)과 같이 머신러닝 기

반 소프트웨어 교수-학습 모형을 개발하였다.

개발된 모형은 머신러닝을 활용한 문제 해결 과정을 학생들이 학습할 수 있도록 문제인식 및 분석, 데이터 수집, 데이터 가공 및 선별, ML 모델 훈련 및 평가, ML 프로그래밍, 적용 및 해결, 공유 및 환류의 단계로 이루 어져 있으며 각 단계의 구체적 의미는 아래와 같다.

1. 문제인식 및 분석: 실생활의 문제 중 머신러닝을 활용하여 해결할 수 있는 문제를 인식

2. 데이터수집: 문제를 해결하기 위하여 필요한 자료 가 텍스트, 이미지, 숫자인지 분석 후 수집 3. 데이터 가공 및 선별: 수집한 데이터를 처리할 수 있

도록 수치화, 도식화, 라벨링 후 필요한 데이터를 선별 4. ML모델 훈련 및 평가: 선별한 데이터를 바탕으로

머신러닝 모델 훈련 및 모델 정확도 평가

5. ML 프로그래밍: 머신러닝 모델을 활용한 프로그래밍 6. 적용 및 해결: 문제 상황에 제작한 프로그램을 적

용하여 문제를 해결

7. 공유 및 환류: 프로그램을 공유 및 피드백을 통한 프로그램 개선

아울러 개발된 모형에 반영된 지능정보사회에서 요구 되는 학습자의 핵심 역량은 <Table 1>과 같다.

Division

Intelligent Information Society Learner’s Competency AI platform

utilization

Intelligent Information

Society Foundation

Self and Relationship

Control

AI-based advanced thinking

capabilities 1. Problem

Recognition

and Analysis ○ ○

2. Data

Collection ○ ○ ○

3. Data Preprocessing and Feature Extraction

○ ○ ○

4. ML Model Training and

Evaluation ○ ○

5. ML

Programming ○ ○

6. Application and Problem

Solving ○ ○ ○

7.Share and

Feedback ○ ○ ○

<Table 1> Intelligent Information Society Learner’s Competency by Software Instructional Model based on Machine Learning

(Fig. 7) Software Instructional Model based on Machine Learning

3.4 학습활동 설계

본 연구에서 개발한 모형을 실험적으로 적용해 보기 위하여 ‘인공지능 챗봇 만들기’를 주제로 학습 내용을 선정하여 아래와 같이 적용해 보았다.

•1단계 : 생활 속 챗봇 프로그램이 필요한 상 황 알아보기

•2단계 : 프로그램에 필요한 자료에 대해 토 론하기

•3단계 : 데이터 입력하기

•4단계 : 구현한 모델의 평가를 통한 프로그 램 개선하기

•5단계 : 스크래치3로 ML프로그래밍하기

•6단계 : 챗봇 프로그램 실행 및 확인하기

•7단계 : 발표 및 상호 피드백하기

4. ML 기반 소프트웨어 교수-학습 모형 적용 사례 4.1 적용 개요

본 연구에서 개발한 머신러닝 기반 소프트웨어 교수- 학습 모형을 시범 적용해보고 문제점 및 보완 방안을 모 색하기로 하였다. 이를 위해 대구교육대학교 컴퓨터교육 과의 교수 및 현직교사들이 함께 학생, 학부모 15팀 총 30명을 대상으로 3주간의 캠프를 계획하고 운영하였다.

4.2 ML 기반 소프트웨어 교수-학습 모형 적용

4.2.1 문제인식 및 분석

문제인식 및 분석 단계에서는 현재의 인공지능이 적 용된 다양한 챗봇 플랫폼을 체험한 후 앞으로 달라질 수 있는 미래의 애니메이션의 모습을 이야기하며 인공 지능 챗봇을 활용한 애니메이션 제작의 필요성에 대하 여 논의하였다. 일방적인 스토리의 흐름이 아닌 인공지 능 챗봇 프로그램으로 학습자와의 상호작용을 통하여 스토리가 달라지는 반응형 애니메이션 제작에 대하여 문제 인식을 하였다.

4.2.2 데이터 수집

이어 실시한 데이터 수집 단계에서는 학생과 학부모 는 애니메이션의 특정 상황에서 사람이 입력할 수 있는 데이터에는 어떤 형식이 있는지 서로 의논하여 파악하여 정하고 필요한 데이터를 수집하는 활동을 하였다. 애니 메이션이 인식할 수 있는 다양한 데이터의 형태 중 텍스 트 자료형을 통한 머신러닝 학습 방법을 선택하였다. 또 한 애니메이션의 진행 중 애니메이션의 등장인물이 물음 에 따라 학습자가 대답을 하면 이를 인식할 수 있도록 레이블을 질문에 따라 구분하였다. 이 과정을 거치면 학 습자들은 필요한 레이블을 만들고 그에 따라 학습자가 대답할 수 있는 텍스트 데이터를 생각하여 표현하였다.

4.2.3 데이터 가공 및 선별

데이터 가공 및 선별 단계에서는 앞 단계에서 만든 레이블과 학습 데이터를 실제 Machine Learning for Kids 플랫폼의 ‘훈련’ 에 입력하는 활동을 하였다. 이 과 정에서 학습자는 머신러닝 모델을 만들기 위하여 수기 로 작성한 텍스트 데이터를 컴퓨터가 인식할 수 있는 텍스트 자료형으로 가공을 하고, 각 레이블에서 필요한 학습 데이터만을 선별하여 훈련시키는 과정을 (Fig. 8) 와 같이 진행하였다.

(Fig. 8) Data Preprocessing and Feature Extraction

4.2.4 ML기반 소프트웨어 교수-학습 모형 훈련 및 평가

하는지 확인하고 계획한 대로 작동하지 않을 경우 학습 자인 학생과 학부모가 함께 오작동의 원인을 분석하고 잘못된 데이터는 삭제하거나 부족한 데이터를 추가 입 력하여 ML모델의 신뢰도를 높이게 했다.

(Fig. 9) ML Model Training and Evaluation

4.2.5 ML프로그래밍

ML프로그래밍 단계에서는 Machine Learning for Kids 플랫폼의 ‘만들기’에서 다양한 프로그래밍 언어를 사용하여 실제 작동하는 인공지능 프로그램을 만드는 단계이다. Machine Learning for Kids가 제공하는 언어 는 ‘스크래치2’, ‘스크래치3’, ‘파이썬’, ‘앱인벤터’ 등이 있 는데 이 중 학습자의 수준을 고려하여 ‘스크래치3’를 활 용하여 프로그램을 제작하였다. 스크래치로 간단한 애 니메이션을 만든 후 이야기의 분기가 달라지는 부분에 서 챗봇ML모델 블록을 사용하여 스토리가 달라지도록 애니메이션을 제작하였다.

4.2.6 적용 및 해결

적용 및 해결 단계에서는 애니메이션의 스토리 중 중 요한 선택이 있는 곳을 설정하여 애니메이션을 보는 사 람이 주인공이 되어 프로그램이 질문을 하면 대답을 하 도록 했다. 그러면 애니메이션 프로그램은 사람의 대답 이 어떤 선택에 가까운지 판단하고 그 판단한 대답에 따라 이야기의 방향이 달라지도록 구성했다. 바로 이 과 정에서 인공지능이 사용되는데, 인공지능은 이야기의 중 요한 선택이 있는 부분에서 사람이 할 수 있는 가능한 대답의 유형을 학습함으로써 상호작용이 되는 애니메이 션 만들기 활동을 하였다.

4.2.7 공유 및 환류

그 후 자기 팀이 완성한 애니메이션 감상활동을 했 다. 이어서 캠프 참가자간의 작품 공유를 통해 서로의

결과물을 보고, 작품 내용을 수정하거나 작동 오류를 디 버깅하여 개선하는 활동을 하였다.

4.3 교수-학습 모형 적용 결과

본 연구를 시범 적용 후 얻은 결과는 다음과 같다.

먼저 캠프 참가자를 대상으로 운영 프로그램과 관련된 설문을 받아 다음과 같은 결과를 도출하였다.

•문제인식 및 분석 : 인공지능을 적용하여 해 결할 수 있는 문제를 주변에서 찾는 것을 학생들이 어려워하여 후속 연구에서는 이를 보완할 수 있도록 다양한 인공지능 기반의 문제 상황을 개발하는 것이 필요하다.

•데이터 수집 : 레이블에 따라 학생들이 자료 를 넣는 방법이 상이하여 인공지능 모델의 인식율이 떨어지는 경우가 발생하였다. 따라 서 학생들이 정확한 데이터를 입력할 수 있 도록 교사의 정확한 안내가 필요하다.

•ML프로그래밍 : 학생별 프로그래밍 수준이 달라서 프로그램을 제작하는데 어려움을 겪 는 학생들도 발생하였다. 따라서 학생들의 현재 수준을 분석하여 수준별로 프로그래밍 이 이루어질 필요하다.

또한 본 캠프의 설문을 통해 학생 및 학부모들의 100%가 인공지능 교육과 활용 방안에 대해 기초적인 개념을 이해했는지에 대한 질문에 ‘보통’ 이상으로 응답 하였으며 특히 어렵다고만 생각하였던 인공지능에 대해 친근해 질 수 있는 좋은 기회였다는 반응을 보였다. 또 한 응답자의 84% 이상이 인공지능에 대한 관심 및 향 후 인공지능 교육을 받고 싶다는 의견을 나타냈다.

5 . 결론 및 제언

본 연구에서는 머신러닝 기반 소프트웨어 교수-학습 모형을 개발하고, 적용하였다. 지능정보사회에서 요구되 는 학습자 역량을 크게 4가지로 분류하여 AI플랫폼 활 용 역량, 지능정보사회 기초 역량, 자기 및 관계 조절 역

량, AI기반 고등사고 역량으로 제시하였다. 이러한 역량 을 개발할 수 있도록 Machine Learning for Kids 플랫 폼을 활용한 교수-학습 모형을 개발하고 이를 실제 적용 해 본 뒤 교육 현장에서의 시사점을 찾아보고자 하였다.

본 연구에서 개발한 모형은 학습자가 머신러닝의 자 체를 깊이 있게 탐색하기보다 문제를 인식하고 해결하는 전 과정에서 머신러닝을 체험하고 활용함으로써 자연스 럽게 머신러닝을 학습할 수 있도록 하였다. 개발된 모형 은 1.문제인식 및 분석, 2.데이터 수집, 3.데이터 가공 및 선별, 4.ML모델 훈련 및 평가, 5.ML프로그래밍, 6.적용 및 해결, 7.공유 및 환류의 단계로 이루어져 있다.

이렇게 개발된 모형을 바탕으로 초등학생과 학부모들 을 대상으로 AI교육 캠프 프로그램을 개발ㆍ적용하였 다. 본 캠프는 교육용 프로그래밍 언어에 대한 기초를 바탕으로 머신러닝에 대한 이해, Machine Learning for Kids를 활용한 스토리텔링 프로그램 작성에 관한 내용 으로 구성하였다.

본 연구는 새롭게 부각되고 있는 AI 교육이라는 시대 적 요구에 부응하며 미래 사회를 살아갈 학습자들의 역량 을 개할 수 있다는 점에서 의미를 가지며 향후 지속적인 학습 프로그램 개발과 관련 연구를 통하여 더 나은 교육, 창의융합형 인재를 양성하는데 기여할 수 있을 것이다.

참고문헌

[1] Ministry of Science and ICT(2019). 6th National Informatization Plan for Implementation of Intelligent Information Society.

[2] Ministry of Education(2019). Education Policy for

2020, pp41-42.

[3] Yongho Lee(2019), An Analysis of the Influence of Block-type Programming Language_Based Artificial Intelligence Education on the Learner’s Attitude in Artificial Intelligence. Journal of The

Korean Association of Information Education.

Vol.23, No.2, pp.189-196.

[4] Schwab, K. (2016), “The fourth industrial revolu-

tion” Geneva: World Economic Forum.

[5] Jinsook Kim･Jeyoung Jung･Kyuyeon Lim･Kwanghoon

Jung･Bokyoung Kae･Jeoung Hoon(2016). Future

Education Big Picture Research Report. KERIS.

[6] Jongheon Lim･Kyunghoon Ryu･Byeongchan Kim(2017). An Exploratory Study on the Direction of Education and Teacher Competencies in the 4th Industrial Revolution, The Journal of Korean

Education Vol. 44(2), pp.5-32.

[7] Ministry of Science(2016). Mid- and Long-term

Comprehensive Measures for Intelligent Information Society Adapted to the 4th Industrial Revolution. ICT

[8] Wangheon Seok·Gwanghui Lee(2015), Artificial in-

telligence technology and the possibilities of the industry. Issue Report 2015-04, ETRI.

[9] Christoph Sommer and Daniel W. Gerlich, (2013), Machine learning in cell biology – teaching com- pute to recognize phenotypes, Journal of Cell

Science.

[10] Yeongsik Kim(2019), An inquiry for the predictive variables on the demand for the private tutoring utilizing machine learning approaches. The Journal

of economics and finance of education Vol. 28, No.

3, pp 29-52.

[11] Seongwan Bae(2016), Estimation of the Apartment Housing Price Using the Machine Learning Methods: The Case of Gangnam-gu, Seoul. The

Journal of KOREA Real Estate Analysis Association Vol. 2017 No.1 pp. 293-309

[12] Google AIY Project. Retrieved from https://aiypr ojects.withgoogle.com

[13] Google Teachable Machine Learning. Retrieved from https://teachablemachine.withgoogle.com [14] Wikipedia, Machine Learning, https://en.wikipe

dia.org/

[15] Mitchell, T. (1997). Machine Learning. McGraw Hill. p. 2.

[16] Machine Learning for Kids. Retrieved from https://machinelearningforkids.co.uk

저자소개

박 대 륜

2018 대구교육대학교 교육대학원 초등컴퓨터교육전공(석사) 2019. 현재 대구서재초등학교 교사 관심분야: SW교육, 컴퓨터교육,

머신러닝

E-Mail: ryuni0529@naver.com

안 중 민

2011 대구교육대학교 교육대학원 초등컴퓨터교육전공(석사) 2019. 현재 대구화원초등학교 교사 관심분야: 로봇 프로그래밍, SW교 육, 게임리터러시, 인공지능 E-Mail: sinjoan@naver.com

장 준 혁

2014 대구교육대학교 교육대학원 초등컴퓨터교육전공(석사) 2019. 현재 대구창의융합교육원 교사 관심분야: Computational Thinking,

SW교육, 미디어리터러시 E-Mail: wkdwnsgur@hanmail.net

유 원 진

2018 대구교육대학교 교육대학원 초등컴퓨터교육 석사과정 2019. 현재 대구미래교육연구원 파견 관심분야: 디지털 리터러시, 빅데이 터 인공지능, 피지컬 컴퓨팅 E-Mail: wj0125@naver.com

유 인 환

2000 한국교원대학교 컴퓨터교육 과(교육학박사)

2000～현재 대구교육대학교 교수 관심분야 : 컴퓨터교육, 로봇프로 그래밍, 인공지능활용교육 E-Mail : bluenull@dnue.ac.kr

배 영 권

2006 한국교원대학교 컴퓨터교육 과(교육학박사)

2006～2007 Indiana University, Instructional Systems Technology

2009 목원대학교 컴퓨터교육과 교수 2013～2014 University of Georgia, Learning, Design, & Technology 2009～현재 대구교육대학교 교수 관심분야: 소프트웨어교육, AI교

육 STEM교육, IB교육 E-Mail: bae@dnue.ac.kr

김 우 열

2011 홍익대학교 전자전산공학 박사 2012～현재 대구교육대학교 컴퓨

터교육과 교수

관심분야: 모델기반개발 영재교육 스마트교육, SW교육 E-Mail: john@dnue.ac.kr