Analysis of Teachers’ Recognition of the Physics Lesson with Artificial Neural Network Models in Elementary School

http://dx.doi.org/10.3938/NPSM.67.1095

Analysis of Teachers’ Recognition of the Physics Lesson with Artificial Neural Network Models in Elementary School

Seongsoo Jeon

Hoewon Elementary School, Changwon 51291, Korea

Jong-Ho Park

Department of Science Education, Chinju National University of Education, Jinju 52673, Korea (Received 30 June 2017 : revised 6 July 2017 : accepted 6 July 2017)

This research was done the implications of teachers’ recognition of the physics area in science instructions in primary schools by using ANN models to analyze their recognition. One hundred twenty-five participants, who teach 3rd to 6th grade elementary students, responded to written survey questionnaires. After the educational conditions, including the grades of students, the gender of targets, whether or not they were homeroom teachers, and science lesson period per week had been set the diagram and the accuracy rate of classifications based on teachers’ recognition of science instruction for understanding physics concepts were analyzed through the interrelationship among variables using ANN models by groups. In the interrelation between the students’ grade and educational condition variables, and science instruction recognition factors, teachers’ cognition of physics instruction presented differently, or was statistically meaningful, by their educational conditions. The participant groups were classified into four: female teachers who instruct science as homeroom teachers, subject teachers other than science, male teachers, and those in charge of 3rd and 4th grade students.

PACS numbers: 01.40.Gm

Keywords: Artificial neural network, Science education, Physics education

인공 신경망 모형을 이용한 초등학교 물리 영역 수업에 대한 교사의 인식 분석

전성수

회원초등학교, 창원 51291, 대한민국

박종호

진주교육대학교 과학교육과, 진주 52673, 대한민국

(2017년 6월 30일 받음, 2017년 7월 6일 수정본 받음, 2017년 7월 6일 게재 확정)

이 연구는 초등학교 교사를 대상으로 과학 수업 중 물리 영역에 대한 교사의 인식을 인공 신경망 모형을

통해 분석하는데 그 목적이 있다. 이를 위해 서울과 경남에서 3∼6학년 학생을 가르치고 있는 초등교사

125명을 대상으로 서면조사 형태로 자료를 수집하였다. 연구 대상의 담당 학년, 교사의 성별, 담임과 교과 전담의 형태, 주당 과학 수업 시수를 교육 조건으로 설정하고, 물리 개념 이해를 위한 과학 수업에 대한

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

교사의 인식을 변인간의 상관 관계와 그룹별 인공 신경망모형을 통해 다이어그램 양상 및 분류 적중률을 비교하여 분석하였다. 연구 결과는 다음과 같다. 첫째, 교사의 교육 조건에 따라 물리 영역 수업에 대한 교사의 인식이 서로 상이하게 나타났다. 특히, 교사의 담당 학년과 교육 조건 변인 및 과학 수업 인식 변인과의 상관 관계가 통계적으로 유의미한 경우가 가장 많았다. 둘째, 연구 대상은 ‘담임으로서 해당 학년의 과학 교과를 모두 가르치는 여교사’ , ‘과학 교과 외의 전담교사로서 과학 수업을 하지 않는 교사’ ,

‘남교사’ , ‘3, 4학년을 담당하고 있는 여교사’ 인 4가지 형태의 그룹으로 구분되었다. 셋째, 연구 대상의 그룹별로 서로 다른 양상의 인공 신경망모형이 나타났으며, 인공 신경망모형을 통해 교육 조건에 대한 학생 실험 선호에 대한 분류 적중률이 매우 높게 나타났다.

PACS numbers: 01.40.Ej

Keywords: 인공 신경망모형, 과학교육, 물리교육

I. 서 론

Goole DeepMind에서 개발한 AlphaGo는 결국 이세돌 과의 바둑경기에서 4대 1로 완승을 거두었다. AlphaGo 는 기계 학습이라는 분야의 인공 신경망 (artificial neural network, ANN) 을 통해 구현된 프로그램의 일종으로 딥 러 닝 알고리즘을 통해 상대와 바둑 경기를 시행할 수 있도록 시스템되었다. 이 인공지능 AlphaGo가 바둑 고수인 인간 이세돌에게 승리함으로서, 인공지능과 기계 학습인 인공 신경망에 대한 관심은 날로 증폭되고 있는 기세이다. 인공 신경망의 발전은 다양한 분야의 거대한 빅데이터 속에서 많은 연구자들이 의미 있는 임계점과 경향성을 탐구하는데 있어 갖게되는 한계점을 극복시켜줄 대안으로서 가능성을 두고 있다. 이러한 인공 신경망은 인문사회적인 다양하고 복합한 변인들로 인해 교육 행위에 대한 목표 변수를 연구 하는 과학교육에서도 새로운 시사점을 제공해 줄 수 있을 것이다.

교사는 과학 교수·학습 활동의 변인들 중 하나의 요소이 지만, 실제 교수·학습이 일어나는 교실 현장에서의 유의미 한 변화를 일으킬 수 있는 핵심적 변인으로 작용한다 [1].

학급의 규모나 학급 당 학생 비율보다 교사의 배경 지식, 경험, 신념 등에 따라 수업의 전략과 질이 달라지고, 그에 따라 학습에 많은 영향을 미치는 만큼 교육에 있어서 교사의 변인은 매우 중요하다고 할 수 있다 [2]. 이러한 맥락에서 과학교육 연구에서도 탐구 수업 등과 같은 과학 수업 실현에 작용하는 여러 변인들의 연구가 활발히 이루어지고 있으며 [3–7], 특히 선행 연구들의 공통적인 결과로서 과학 수업에 대한 가장 직접적인 변인이 교사의 교수행동이라는 것에 주목할 필요가 있다 [8–10].

실험 수업은 과학이 다른 교과와 구별되는 가장 큰 특징 중 하나이다 [11–13]. 실험 수업은 과학적 개념 이해, 과 학에 대한 흥미와 동기유발, 문제해결능력, 과학적 태도,

∗E-mail: [email protected]

구조적인 사회적 관련성 및 과학 본성에 대한 이해 등에 효과적이므로 [11,14–21], 과학교육의 핵심적 활동으로서 자리매김하게 되었다 [22]. 물론 실험 활동 수행에 있어 부정적 원인으로 실험 수업을 위한 권고사항과 실제 실험 수업 사이의 불일치, 실험 활동에 대한 평가 방법의 부재, 지시전달식 실험 등이 그 원인으로 지적되고 있지만 [23], 과학 수업에 직접적인 변인으로서의 교사의 역할이 실험 활동에도 매우 주요하게 작용할 것은 충분히 짐작이 가능 하다. 이러한 이유로 교사를 집단, 개인, 교사의 정의적, 인지적 측면 등을 이해하려는 노력은 과학교육 연구에서 중요한 한 축을 이루고 있다 [10,24–33].

교과서는 학습자로 하여금 교육과정의 목표와 성취기준 이 효과적으로 달성하기 위해 개발된 하나의 정선된 자료에 불과하다. 하지만 현장 교육에서 교과서가 차지하고 있는 역할은 자료 이상의 비중을 가진다 [34]. 대부분의 교사들에 게 과학 교과서는 중요한 요소로 여겨지고 있으며 [35], 특히 특정 교과에 전문성을 집중하기 어려운 초등학교 교사의 상황에서 과학 교과서는 자료 이상의 매우 중요한 요소로서 작용한다 [36].

따라서 이 연구에서는 과학교육에서 실험 수업과 과학 교과서에 대한 교사의 인식을 연구 대상자의 인구통계학적 자료를 기반으로 분석하여 보고, 이러한 결과를 바탕으로 인공 신경망 모형을 이용해 교육 관련 변인으로 향후 과학 교수· 학습 활동을 예측할 수 있는 계기를 마련하고자 하 였다. 기계 학습의 대표적인 예측 기법인 인공 신경망은 인간의 뇌가 대량의 데이터를 효율적이며 병렬적으로 처 리하고 학습할 수 있다는 사실을 기초로, 인간의 생물학적 신경 세포를 모델링하여 구현하는 방식이며 신호처리, 제어, 패턴 인식, 음성, 문자인식, 산업, 생산 프로세스의 통제와 최적화, 예측 등을 위해 광범위하게 사용되고 있다 [37–47].

하지만 인공 신경망은 독립변수와 종속변수 간의 관계 정도 나, 각 변수간의 상호 작용에 대한 설명에 대한 정보보다는 예측에 대한 결과만을 제공하는 한계가 있다 [48]. 이러한 한 계점을 보안하기 위해 이 연구에서는 단순히 인공 신경망을

이용하여 전체 연구 대상의 목표 변수에 대한 예측 결과를 분석하기보다는 연구 대상의 집단을 인구통계학적 자료와 교육적 환경의 기준 변수로 세분화하였다. 각 집단별 연구 대상의 인공 신경망 다이어그램의 양상과 목표 변수의 분 류적중률 (hit ratio) 을 비교함으로서, 어떠한 목표 변수가 행동 예측에 중요한 역할을 하는지를 파악하고자 하였다 [49–51]. 이러한 시도는 설정된 기준 변수로 연구 대상의 그룹화하고, 집단별 인공 신경망 모형의 양상과 목표 변수의 분류 적중률를 비교하여, 예측 가능성이 높은 집단의 기준 변수에 의한 특성을 파악할 수 있다. 이는 목표 변수에 대한 예측 결과만을 제공하는 인공 신경망의 한계를 보완하고, 과학 교육 연구에서도 인공 신경망 모형이 교육 행위자의 행동 및 인식 예측에 유용한 도구로서 가능성을 제시하고자 하였다.

따라서 이 연구는 연구 대상의 인구통계학적 정보와 과 학학습 주제에 대한 인식에 대한 기준 변수를 통해 집단별 특성을 분석하고, 실험 수업, 현행 운영되고 있는 교과서 의 수준 및 적정 실험 수에 대한 인식을 분석하고자 한다.

아울러 시뮬레이션 방법인 인공 신경망 분석을 이용하여 목표 변수인 실험 수업에 대한 선호를 도식화하고 이를 예 측하고자 하였다. 구체적인 연구 문제는 다음과 같다. 첫째, 과학교육 시행의 주요 변수인 교사의 교육 조건과 과학 수업 인식에 대한 요소별 상관 관계를 분석하였다. 둘째, 교사의 인구통계학, 학습 주제에 대한 인식 자료를 바탕으로 연구 대상을 세분화하였다. 셋째, 세분화된 집단을 인공 신경망 모델을 적용시켜 목표 변수에 따른 연구 대상자 집단의 특성을 그에 따른 교육적 시사점을 제시하는 데 그 목적이 있다.

II. 연구 방법

1. 연구 대상

이 연구는 서울과 경남 초등학교 교사 125명을 대상으로 과학 수업 중 물리 영역에대한 교사의 인식을 인공 신경망 모형을 활용하여 분석하는데 그 목적이 있다. 초등교사의 교육조건에 해당하는 연구 대상의 특성은 교사가 담당하고 있는 학년, 교사의 성별, 과학 교과를 가르치는 교사의 유형, 주당 과학 수업 시수로 구분하여 Table 1에 제시하였다.

2. 조사 및 검사도구

이 연구는 3∼6학년을 담당하고 있는 초등학교 교사를 대상으로 교사가 처한 교육적 조건과 과학 수업에 대한 인

Table 1. Research Target.

Items Sub-items Target Rate Total

No. (%) (%)

Grade

3 31 24.8

4 35 28.0 125

5 29 23.2 (100%)

6 30 24.0

Gender Male 22 17.6 125

Female 103 82.4 (100%)

Homeroom/ Hommeroom 85 68.0 125

Subject only Subject only 40 32.0 (100%)

Science instruction 0 48 38.4 125

period per week 3 77 61.6 (100%)

식의 상관 관계와 실험 수업에 대한 연구 대상의 집단별 특 성을 인공 신경망 모형을 통해 분석하는 데 그 목적이 있다.

따라서 연구 대상의 담당 학년, 성별, 담임/교과전담, 주당 과학 수업 시수와 같은 교육적 조건과 물리 개념 이해 수업 형태, 수업 형태의 선호 비율, 과학 교과서의 수준과 적정 실험 수와 같은 과학 수업 인식에 대한 자료를 구분하여 수 집하였다. 수집된 자료를 바탕으로 각 변수간의 상관 관계 중 통계적으로 의미를 가지는 요소간의 결과를 그림으로 나타내어 분석하였으며, 인공 신경망 모형을 이용하여 교육 조건에 따른 물리 개념 이해를 위해 교사가 선호하는 수업 형태를 다이어그램과 분류 적중률로 나타내었다.

1) 검사도구 구성

이 연구에서는 과학 수업에 대한 초등교사의 인식을 분 석하기 위해 검사도구의 구성을 크게 세 가지의 범주로 나누어 실시하였다. 첫 번째 범주는 초등학교 교사가 과학 교수· 학습활동을 시행하는데 처한 여건과 물리적 환경을 대변하는 교육적인 조건으로 이 연구의 독립변수로 적용 되었다. 두 번째는 연구 대상이 실제 수업에서 운영하였던 학습 주제별 수업 형태와 수업에 대한 사전 준비 및 주제별 제공되었던 실험들의 중요도 인식을 학습 주제라는 상위 범주에 포함하였다. 마지막 교사의 의견 범주에는 이 연구의 목표 변수로서 과학 수업에 대한 개념 이해를 위해 선호하는 수업 형태 및 교과서 수준과 교과서에 제시된 실험의 수에 대한 인식을 포함하고 있으며, 각 상위 범주에 4개의 하위 요소의 설문 구성을 Table 2에 제시하였다.

검사도구에서 제시된 수업 유형은 예비 검사와 선행 연 구를 바탕으로 초등학교 과학 수업 중에서 가장 보편적이며 일반적인 시행되는 수업 유형을 크게 교사 시범실험, 컴퓨터

Table 2. Construction of Test Tools.

Variables Question Item Content Answer Format

Grade Grade 3/4/5/6 Selected

Gender Gender Male/Female Selected

Educational Homeroom/ Homeroom or

Homeroom/Subject only Selected condition Subject only subject only

Science instruction Seience instruction 0∼3 Constructed

period per week period per week

Experiment types Lesson types learned Teacher’s modeling/computer modeling Selected in current science instruction student’s experiment/lecture

Pre-experiment Carrying out pre-experiment

Perform/No perform Selected

Learning before main lesson

theme

Experiment importance Importance of experiment

1/2/3/4/5 Lickertis

related to content scale

Science instruction Science instruction Teacher’s modeling/computer modeling/

Selected

favored favored students’ experiment/lecture

Lesson type for Most beneficial Teacher’s modeling/

understanding instruction types to computer modeling/ Selected physics concepts learn physics concepts student’s experiment/lecture

Perference rate of The rate of ideal

% Consturcted

Teachers’ instruction types instruction form opinion Level of science Level of current

① Very low∼⑤ Very high Lickertis

textbooks science textbooks scale

Total number of Proper number of

Lickertis experiments presented experiments ① Very low∼ ⑤ Very high scale

in a textbook presented in a textbook

시범실험, 학생 실험, 강의식 수업으로 구분하여 제시하였 다. 검사도구에서 제시된 학습 주제 범주는 연구 대상자가 실제 학습 주제별로 시행한 수업의 유형을 기록하게 하여 물 리 영역에 해당하는 학습 주제에 대한 연구 대상자의 기억을 상기시키도록 구성되어 있다. 교사 시범실험은 교사가 실험 기구를 사용하여 시범적으로 실험을 수행하는 형태이며, 컴퓨터 시범실험은 동영상, 플래시, 시뮬레이션 등과 같은 자료를 이용하여 교사 주도의 간접적 실험을 행하는 수업을 말한다. 학생 실험의 경우에는 학습자가 직접 실험기구 를 통해 개인이나 모둠별 형태의 실험을 진행하는 수업을 의미하며, 강의식 수업은 실험을 구체적인 조작 활동으로 시행하지 않고 교과서의 글이나 사진 등을 이용하여 교사의 설명으로서 시행하는 수업을 의미한다.

2) 인공 신경망 모형

정보를 순차적으로 처리하는 컴퓨터의 방식과는 달리 인 간의 뇌에서의 정보 처리는 서로 병렬적으로 연결된 수많은 단순 연산기에 의해 병렬 명령어 처리 구조로 이루어진다.

단순 계산에서는 인간보다 지금의 컴퓨터가 훨씬 앞서지만, 인간이 일상에서 쉽게 수행하는 패턴 인식이나 의사 결정 등과 같은 일에는 인간에 비하면 매우 낮은 수준에 머물러 있다. 특히 시각적인 패턴 인식 면에서는 한 살인 어린 아 이의 얼굴 인식 능력이나 연상 능력이 현재의 슈퍼컴퓨터 보다 더 빠르고 정확하다 [52]. 이러한 이유로 사람의 뇌를 모방해서 새로운 컴퓨터 구조를 설계하여, 이러한 지능적인 일을 수행하고자 하는데 신경망 연구의 목적이 있다. 이렇게 인공적으로 개발된 신경망을 생물학적 신경망 (biological neuron) 과 구분하여 인공 신경망 (artificial neuron) 이라고 부른다. 인공 신경망은 Fig. 1(a) 의 생물학적 신경조직을 Fig. 1(b) 에서처럼 수학적으로 표현한 것으로서 신경 회로 망은 이러한 뇌와 동일한 계산방식을 사용한 수리 모형이라 할 수 있다 [53].

Fig. 1(c) 는 실제 연구에서 사용되는 인공 신경망의 구조 적 형태를 나타낸 그림이다. 인공 신경망의 구조는 외부 입 력을 받아들이는 입력층 (input layer), 입력층과 출력층 사 이에 위치하여 외부로 나타나지 않는 은닉층 (hidden layer), 처리된 결과가 출력되는 출력층 (output layer) 으로 이루 어져 있다. 처리 요소는 Fig. 1(b) 에서처럼 여러 다른 처

Fig. 1. Biological Neuron and Artificial Neuron Network models (ANN).

리 요소들로부터 입력을 받아들여 연결가중치 (connection weight) 를 사용하여 순 입력 값을 계산한 후 활성화 함수를 통하여 출력 값을 결정하게 된다 [54,55]. 바이어스를 포함 한 인공 신경망 모델의 입력변수 와 연결강도 W 는 다음 Eq. (1) 과 같이 표현된다.

X = [x1, x2,· · · , xn, 1]

W = [w1, w2,· · · , wn, b] (1) Eq. (2) 는 뉴런 y 의 ΝΕΤ 값이 바이어스를 포함한 입력의 가중합을 나타낸 것이며, Eq. (2) 을 벡터 형태로 표현하면, 따라서 뉴런의 출력 y 는 Eq. (2) 의 입력 가중치 ΝΕΤ를 이용하여 다음과 같이 구할 수 있다.

N ET = x1w1+ x2w2+· · · + xnwn+ b

=

∑n i=1

xiwi+ b (2)

N ET = XWⁿ (3)

y = f (N ET ) (4)

여기서 y 는 출력값, X 는 입력변수, W 은 연결강도, n 은 외부입력 수, b 는 바이어스이다.

f (N ET )는 계산된 결과의 범위를 제공하는 전달 함수이 며, 전달함수는 처리소자의 동작 범위를 제공하는 함수로 서 선형 함수 (linear threshold function), 계단 함수 (step function), 선형계단 함수 (linear threshold function), 시그 모이드 함수 (sigmoid function), 가우시안함수 (Gaussian function) 등이 있으며, 이 연구에서는 활성화 함수로 가장

Fig. 2. Correlation matrix between of data fields (EC:

Educational Condition, CSI: Cognition on Science In- struction. ⊙: Correlation ⊕: Static correlation ⊖: Neg- ative correlation ⓐ : Grade, ⓑ : Gender, ⓒ : Home- room/Subject only, ⓓ : Science instruction period per week, ⓔ: Recognition on experiment lessons, ⓕ: Recog- nition on understanding experiment lessons, ⓖ : The rate of teacher’s modeling, ⓗ : The rate of computer modeling, ⓘ : The rate of students’ experiments, ⓙ : The rate of lecture-style lesson, ⓚ : The rate of other types, ⓛ : Recognition on the level of textbooks, ⓜ : Recognition on the number of experiments in a text- book).

많이 쓰이는 Eq. (5) 의 시그모이드 함수를 적용하여 분석 하였다.

f (x) = 1

1 + e^−x (5)

III. 연구 결과

1. 연구 대상의 교육 조건에 대한 요인별 상관 관계 분석

연구 대상의 변인을 크게 요인에 따른 특성에 따라 교육 조건과 과학 수업에 대한 인식이라는 범주로 분류하였다.

교육 조건에는 연구 대상이 처해있는 물리적 환경 요인으로 담당 학년, 교사의 성별, 담임/교과전담, 주당 과학 수업 시수의 4가지 요인을 포함시켰다. 반면 과학 수업에 대한 인식 범주에는 과학 수업에 대한 연구 대상의 인식을 과학 수업 선호 형태, 물리 개념 이해를 위한 수업 형태, 초등 학교 물리 개념을 이해하기 위한 교사 시범수업, 컴퓨터 시범수업, 학생실험, 강의, 기타 수업의 적정 백분율, 현행 과학 교과서의 수준과 현행 과학 교과서의 실험 개수에 대 한 교사의 의견에 대해 조사하였다. 명목 척도에 해당하는

Table 3. Grouping Analysis based on Educational Conditions of Targets.

Detailed Criteria Final Grouping Mean Mean

F p

Group 1 Group 2 Group 3 Group 4 Square Error

Grade 0.122 0.586 0.675 -0.880 14.400 0.668 21.565 0.000

Educational Gender 0.408 -0.244 -2.155 0.460 27.435 0.345 79.620 0.000

conditions Homeroom/Subject only -0.680 1.123 0.537 -0.073 20.126 0.526 38.275 0.000 Science instruction 0.786 -1.183 -0.530 -0.033 23.753 0.436 54.498 0.000

period per week

Cases by groups (%) 50 (40.0) 26 (20.8) 14 (11.2) 35 (28.0) df = 125

담당 학년, 교사의 성별, 담임/교과전담, 과학 수업 선호 형태, 물리 개념 이해를 위한 수업 형태는 카이자승법으로 분석하였으며, 수집된 자료에서 서열, 등간, 비율 척도에 해당하는 요인간의 관련성은 정적 상관 관계와 부적 상관 관계를 통해 통계적으로 유의미하게 나타난 결과를 Fig. 2 에 나타내었다.

담당하는 학년과 교사의 성별은 통계적으로 유의미한 상관 관계를 가진 것으로 나타났다. 남교사의 경우 3학년 1명, 4학년 5명, 5학년과 6학년을 담당하는 교사는 8명씩 으로 여교사에 비해 높은 학년을 담당하는 비중이 높았다.

그리고 교사가 담당하는 학년이 높을수록 주당 과학 수업 시수가 낮게 나타났으며, 이는 고학년을 담당할수록 과학을 교과전담 형태로 운영하는 비율이 더 높아져, 담임교사로서 과학을 가르치는 기회가 상대적으로 낮은 것으로 사료된다.

그리고 담당 학년이 높을수록 현행 교과서의 수준이 높다고 인식하는 경우가 많았으며, 낮은 학년을 담당하는 교사보다 과학 수업에서 시행되는 실험의 수도 많다고 인식되었다.

교사의 교육조건 중에서 담당 학년이 가장 많은 과학 수업 인식 변인과 통계적으로 유의미한 관계를 가지고 있었다.

교육조건 중에서 주당 과학 수업 시수가 적은 교사일수록 현행 과학 교과서의 수준이 낮다고 바라보는 인식이 통계 적으로 유의미하게 나타나고 있었다.

과학 수업 인식 요인간의 상관 관계에서는 교사시범 수 업의 비중이 높을수록 학생 실험 수업에 대한 비중이 낮게 나타났으며, 컴퓨터 시범수업에 대한 비중을 높게 책정한 경우 학생실험 수업의 비중이 낮아지지만, 기타 수업에 대한 비중은 높은 것으로 나타났다. 학생 실험과 강의식 수업, 기타 수업의 관계는 부적 상관 관계를 나타내었으며, 이에 반해 강의식 수업은 기타 수업과 정적 관계를 나타내었다.

그리고 현행 과학 교과서에 대한 수준과 과학 교과서에 실린 실험의 수에 대한 인식과의 관계는 통계적으로 정적 상관 관계를 나타내었으며, 이는 현행 과학 교과서의 수준이 어 렵다고 느끼는 교사의 경우 교과서에 제시된 실험의 개수도 많다고 생각하는 사례가 통계적으로 유의미하다는 것을 의미한다.

2. 연구 대상의 교육 조건 특성에 따른 군집 분석 이 연구에서는 연구 대상의 교육적 조건 특성을 토대로 계층적 방법에 의해 연구 대상의 집단을 군집화하여 적절한 군집의 수를 먼저 추정한 후, 다시 비계층적 방법을 이용 하여 군집의 수를 최종적으로 결정하였다 [48,56]. 따라서 교사의 교육 조건인 담당 학년, 교사의 성별, 과학 수업을 담임 혹은 교과전담으로 가르치는 형태, 주당 과학 수업 시수를 기준 변수로 설정하고 이를 표준화 점수로 변환시켜 계층적 방법을 통해 그룹을 세분화하였다. 계층적 군집 분석 결과를 토대로 비계층적 군집 분석인 K-means 군집분석을 실시하였으며 그 결과는 Table 3에 나타내었다. 계층적 군집 분석과 비계층적 군집 분석을 통해 얻어진 결과에서 125명의 연구 대상은 4개의 그룹으로 나누었을 때 각각의 기준 변수에 대한 군집별 특성이 명확하게 나타나므로 연구 대상을 교육 조건 특성에 따라 최종 4개의 그룹으로 결정하 였다.

Table 4에 정리된 연구 대상의 그룹별 교육 조건에 대한 특성을 살펴보면, 그룹 1의 경우 연구 대상이 과학을 가르치 는 학년의 분포는 3∼6학년에 고루 나타나고 있으나 교사의 성별의 경우 50 명 중에 여자가 49 명으로 여자의 비율이 매우 높았다. 그리고 모든 연구 대상이 과학을 교과전담이 아닌 담임으로서 가르치고 있었으며, 주당 3시간의 과학 수업을 시행하는 대상으로 구성되어 있었다. 연구 대상 26명이 속한 그룹 2의 경우에는 담당 학년은 6학년이 12 명으로 가장 많았으며, 남성보다 여성의 비율이 높았으며, 교과전담이 많았다. 하지만 주당 과학 수업 시수의 경우 1 명을 제외한 나머지 25명이 모두 과학 수업을 하지 않았으 므로, 과학 교과외의 다른 교과의 전담교사로 구성되었다고 볼 수 있다. 그룹 3 의 경우 3 학년의 제외한 4∼6학년을 담당하는 남자 교사로 구성되어 있으며, 담임과 교과전담의 비율과 주당 과학 수업 시수도 0과 3시간의 비율이 비슷한 수준으로 분포되어 있음을 알 수 있다. 그룹 4는 6학년을 담당하는 교사는 없었으며, 주로 3학년과 4학년을 담당하는 교사로 이루어져 있었다. 교사의 성별로는 모두 여성이었

Table 4. Grouping Analysis based on Educational Conditions of Targets.

Detailed Criteria Final Grouping

n (%) X² p

Group 1 Group 2 Group 3 Group 4

3 7 3 0 21 31 (24.8)

49.951 0.000

Grade 4 18 3 3 11 35 (28.0)

5 13 8 5 3 29 (23.2)

6 12 12 6 0 30 (24.0)

Educational

Gender Male 1 7 14 0 22 (17.6)

82.970 0.000

conditions Female 49 19 0 35 103 (82.4)

Homeroom Homeroom 50 4 6 25 85 (68.0)

60.864 0.000

/Subject only Subject only 0 22 8 10 40 (32.0)

Science instruction 0 0 25 9 14 48 (38.4)

71.835 0.000

period per week 3 50 1 5 21 77 (61.6)

Female teachers Subject Male Teachers who who instruct teachers teachers in charge of

Features by groups science as other 3rd and

homeroom than 4th grade

teachers science students

Numbers of teachers by each group (%) 50 (40.0) 26 (20.8) 14 (11.2) 35 (28.0) df = 125

Table 5. Summary and Comparison by Each Group’s Characteristics.

Item Group 1 Group 2 Group 3 Group 4

Grad Evenly distributed 77% of teachers in Evenly distributed 91.4% in teachers in 3∼6th grade 5,6th grade except for 3rd grade for 3rd, 4th grade Gender 98% in females 73.1% in females 100% in males 100% in females

Homeroom/Subject 100% in 84.6% in Similar rates Similar rates between

only homeroom teachers subject only between homeroom total research targets and and subject only homeroom/subject only Science instruction 100% did 96.2% of respondents 64.3% of respondents 60% did

period per week for 3 hours did not teach science did not teach science for 3 hours Female teachers who Subject teachers Similar rates between Teachers who in charge of

instruct science other than science homeroom and 3rd and 4th grade students.

Group’s for 3 hours per week and who in charge subject only. Also Homeroom/subject characteristics as homeroom teachers, of 5, 6th grade, science lessons per only and science lessons

regardless of their relatively a low rate week of group 3 are per week of group students’ grade compared to that similar to those of 3 are similar to those of

of total females total participants. total participants.

Naming Female teachers who Subject teachers Male Teachers who in charge of instruct science as teachers other than science teachers 3rd and 4th grade students

으며 담임이 25명, 교과전담이 10명, 주당 과학 수업 시수는 과학을 가르치지 않는 교사가 14명이고 주당 과학 수업을 3시간 가르치는 교사가 21명으로 구성되어 있었다.

Table 4 의 자료를 바탕으로 연구 대상의 군집에 대한 특성을 비교하여 Table 5에 제시하였다. 이 연구에 참여한 연구 대상은 크게 4개의 특성별 그룹으로 나눌 수 있으며, 그룹 1은 담임으로서 해당 학년의 과학 교과를 모두 가르치 는 여교사, 그룹 2는 과학 외의 전담교사로서 과학 수업을

하지 않는 교사, 그룹 3은 남교사, 그룹 4는 3학년과 4학년 을 담당하고 있는 여교사로 명명될 수 있다.

3. 인공 신경망을 통한 초등학교 물리 영역 수업에 대한 인식

인공 신경망은 인간의 뇌에서 이루어지는 생물학적인 학습과 지식전달 절차를 컴퓨터 공학으로 응용한 연구 방

Fig. 3. Analysis Design of ANN of Preference for Students’ Experiments to Understand Physics Concept based on Research Targets’ Characteristics.

법이다. 인공 신경망의 기본 구조는 입력층 (input layer) 과 출력층 (output layer), 그리고 이 사이에 은닉층 (hidden layer) 으로 구성된다. 각각의 구성층은 가중치인 연결강 도 (weight) 와 바이어스 (bias) 에 의해 결정되며, 연결강 도는 반복적인 훈련단계 (training phase) 를 통한 피드백 (feedback) 으로 보정이 되어 주어진 자료들을 일반화할 수 있는 최적의 연결강도를 스스로 학습하도록 설계되며, 이러한 결과를 검정단계 (testing phase) 로서 표현되도록 설계되어있다 [57].

이 연구에서는 입력층에 독립변수로서 교사의 4가지의 교육 조건인 담당 학년, 교사의 성별, 담임 혹은 교과전담 교사로서 과학을 가르치는지 형태, 주당 과학 수업 시수를 기준 변수로 설정하고, 출력층에는 과학 교과에서 물리 개 념을 이해하기 위해 가장 필요한 수업 형태에 대한 교사의 선호를 학생실험과 학생실험을 제외한 그 외의 수업으로 구분하여 나타내었다. Fig. 3은 인공 신경망 모형을 활용하 여 연구 대상자의 특성에 따른 물리 개념 이해를 위한 학생 실험 선호 인식에 대한 본 연구의 기본적인 설계를 도식으로 나타낸 것이다.

교사의 교육 조건에 따른 물리 개념 이해를 위하여 교사가 선호하는 교수학습 활동을 인공 신경망 모형을 통해 교사의 특성에 따른 군집별 특징을 분석하였다. 이러한 인공 신경망 적용을 위해 다음과 같은 단계를 진행하여 분석하였다. 첫 번째 단계로서 알고리즘은 예측을 위한 수식을 적용하였 으며, 훈련 (training) 과 검증 (testing) 의 비율을 각각 70%

와 30% 로 구성하여 연구를 진행하였다. 그리고 교사의 교육 조건이 4개의 기준 변수임을 감안하여 은닉층의 수를 1개로 제한하였으며, 훈련방법으로는 시그모이드 함수를 사용하였다.

Figs. 4∼8과 같은 인공 신경망 다이어그램의 구성은 입 력층에는 4 가지의 교육조건을 세분화 기준 변수로 두어

Fig. 4. Analysis of Artificial Neuron Network of ‘Total Participants’.

독립변인으로 설정하고, 변인에 따른 연구 대상의 특성을 분류하여 9개의 입력 노드의 값을 제공한다. 출력층에는 물리 개념 이해에 가장 도움이 되는 수업을 크게 학생 실험 수업과 그 외의 교사 시범 수업, 컴퓨터 시범 수업, 강의식 수업으로 이분하여 출력하도록 설정하였다. 노드 간의 연 결은 크게 실선과 점선으로 나누어 제시하였으며, 각각의 선의 두께가 노드간의 가중치를 의미하도록 표현하였다.

실선의 경우에는 가중치의 값이 0보다 큰 경우이며, 반대로 가중치의 값이 0보다 작은 경우는 점선으로 표현하였으며 선의 두께는 가중치의 절대값과 비례하게 나타내었다. 연구 대상의 각 집단의 변인들 특성 빈도를 입력 노드 좌측에 막 대그래프로 표현하여 연구 대상의 그룹의 특성을 그림에서 한 눈에 파악할 수 있도록 구성하였다.

1) 전체 연구 대상의 교육 조건에 따른 학생실험 선호 예측

Fig. 4는 전체 연구 대상의 교육조건에 따른 인공 신경망 다이어그램으로 표현한 것으로 연구 대상의 전체의 특성을 기준 변수를 통해 세분화하여 구분하였다. 연구 대상 125

Fig. 5. Analysis of Artificial Neuron Network of ‘female teachers who instruct science as homeroom teachers’.

명의 교육 조건 빈도를 입력하여 물리 개념을 이해시키기 위한 수업 방법을 학생실험과 학생 실험 외의 수업으로 출력 하였을 때 각 입력층과 출력층, 은닉층의 노드간 연결가중 치의 범위는 –1.536[3 학년-H(1:1)]∼1.502[6학년-H(1:1)]

이었다. 인공 신경망 모형을 이용해 교사의 교육 조건으로 설정한 기준 변수를 통해 물리 개념 이해를 위한 수업의 선호 형태를 분류한 결과에 따르면 기준 변수의 9개의 노드 에서 2가지의 출력층의 결과를 나타내기 위해 연구 대상의 특성으로 비롯하여 은닉층의 노드 4개가 나타났다. 그리고 주어진 기준 변수의 70%의 자료를 통해 훈련 단계에서는 83.7%, 30%의 연구 대상 자료를 통해 나타난 검정 단계에 서는 93.9%의 분류 적중률을 나타내었다. 따라서 교사의 과학 수업 담당 학년, 성별, 담임 혹은 교과전담으로서 교사 형태, 주당 과학 수업 시수를 통하여 특정 교사의 물리 개념 이해를 위한 수업 선택 및 선호에 대한 인식을 충분히 예측 가능하다는 결과를 나타낸다.

2) ‘담임으로서 해당 학년의 과학 교과를 모두 가르치 는 여교사’ 그룹의 교육 조건에 따른 학생실험 선호 예측

연구 대상 중 교사 그룹 1은 ‘담임으로서 과학을 가르치는 여교사’ 로 전체 인원의 40%에 해당하는 50명의 교사가 이

Fig. 6. Analysis of Artificial Neuron Network of ‘Subject teachers other than science’.

그룹에 속한다. 그룹 1의 특징은 그룹 중에서 가장 많은 연구 대상이 포함되어 있으며, 연구 대상 모두 담임으로서 과학 교과를 학생들에게 가르치고 있으며, 연구 대상 50명 중에서 1명을 제외하고 모두 여교사에 해당한다. 그리고 1 주당 과학 수업 시수가 모두 3시간임을 고려하면 모든 과학 교과 내용을 교사 1명이 가르치고 있음을 알 수 있다. 연구 그룹 1의 경우, 기준 변수 중에서 담임/교과전담, 주당 과학 수업 시수인 경우는 한 범주에 연구 대상이 모두 포함되어 있어 출력변수에 영향을 주지 못하였다.

Fig. 5의 인공 신경망 입력노드에서 두 기준 변수는 제외 되고 담당 학년과 교사의 성별로 독립변수가 입력되어 결과 를 나타내었다. 담당 학년과 성별에 관련된 6개의 입력층 노드를 통해 3개의 노드를 가진 은닉층이 나타났으며, 32명 의 자료를 통해 전개된 훈련 단계에서 분류 적중률은 87.5%

이며, 18명의 자료를 통해 검정된 분류 적중률은 94.4%로 나타났다.

이러한 결과는 과학을 담임으로서 가르치는 교사이며, 과 학 수업 시수가 주당 3시간인 교사의 경우에는 담당 학년과 성별이 의해 물리 개념을 이해시키는데 도움을 주는 수업 형태를 예측하는 적중률이 매우 높음을 의미한다. Fig. 5의

Fig. 7. Analysis of Artificial Neuron Network of ‘Male teachers’.

결과에 따르면 입력층과 은닉층 노드간의 가중치 범위는 – 0.849∼0.479로 3학년과 H(1:2)의 가중치가 가장 낮았으며, 반대로 6학년과 H(1:1) 의 노드간의 가중치가 가장 높았다.

은닉층과 출력층 노드간의 가중치 범위는 입력층과 은닉 층의 범위보다 넓은 –1.170∼1.279에 해당하며 H(1:3) 과 학생 실험 외의 가중치가 가장 낮았으며, 바이어스와 학생 실험과의 노드간 가중치가 가장 높은 결과를 나타내었다.

3) ‘과학 교과외의 전담교사로서 과학 수업을 하지 않는 교사’ 그룹의 교육 조건에 따른 학생실험 선호 예측

Fig. 6은 연구 대상 중에서 과학 교과외의 전담교사로서 과학 수업을 하지 않은 그룹으로 명명할 수 있다. 그룹 2 의 연구 대상을 분류하면 담임교사는 15.4%, 교과전담은 84.6%로 교과전담의 비율이 담임교사의 비율보다 훨씬 높 다. 하지만 주당 연구 대상 1명을 제외한 96.2%에 해당하는 25명의 교사가 주당 수업 시수가 0시간임을 감안해서 보면, 연구 그룹 2 의 특성은 교과전담으로서 과학외의 과목을 담당하는 교사들로 특이점을 설명할 수 있다.

따라서 Fig. 6의 경우 주당 과학 시수에 해당하는 기준 변수를 제외한 9개의 입력층 노드를 형성하고 있으며, 은

Fig. 8. Analysis of Artificial Neuron Network of ‘Teach- ers who in charge of 3rd and 4th grade students’.

닉층에 속한 노드는 단지 1개가 나타나는 단순한 형상의 다이어그램을 나타낸다. 이러한 입력층과 은닉층, 출력층을 바탕으로 훈련단계에서는 70.6%, 검정단계에서는 66.7%

의 분류 적중률을 나타내었다. 각 노드간의 가중치 범위 는 –0.751[5학년-H(1:1)]∼0.563[4학년-H(1:1)] 으로 나타 났다.

4) ‘남교사’ 그룹의 교육 조건에 따른 학생실험 선호 예측

그룹 3은 전체 연구 대상 125명 중 14명에만 해당하여 가장 작은 규모의 그룹이다. 이 그룹의 가장 두드러진 특징 은 14명 모두 남자 교사라는 점이다. 이에 따라 ‘남교사’ 로 명명된 그룹 3의 연구 대상은 3학년을 제외하한 학년에서 고르게 과학을 가르치고 있으며, 담임과 교과전담, 과학 수 업 시수에서도 비교적 세부 변수 항목마다 고르게 분포되어 있다. 따라서 Fig. 7의 경우 연구 대상의 성별을 제외한 채 담당 학년, 담임/교과전담, 과학시수로 독립변수가 구성되 었으며, 은닉층에 하나의 노드만 나타나는 단순환 양상을 나타내었다.

Table 6. Comparison of Each Group’s Characteristics based on Artificial Neural Network models (ANN).

Classification Group 1 Group 2 Group 3 Group 4 Total

Female teachers who

Subject teachers Teachers who in charge of

Total Naming instruct science as

other than science Male teachers 3rd and 4th grade students

Participants

homeroom teachers and teaches science

Hit ratio Train 87.5 70.6 81.8 96.2 83.7

(%) Test 94.4 66.7 100.0 88.9 93.9

11명을 대상으로 한 훈련단계에서는 인공 신경망분석 에서 모두 학생 실험을 예측하였으며, 그 결과 분류 적중 률은 81.8%로 나타났으며, 검정단계에서는 100%의 분류 적중률은 나타내었다. Fig. 7의 결과에 따르면 입력층과 은닉층 사이의 노드간 가중치에서 0보다 큰 관계는 4학년, 담임, 교과전담과 은닉층의 노드간의 관계로 나타났다. 4 학년과 H(1:1) 의 가중치의 값은 2.756으로 노드간의 가중치 값 중에서 가장 높았으나 6학년과 H(1:1), H(1:1) 과 학생 실험외 노드의 가중치 값이 각각 –2.417, -2601 로 낮은 값을 보였다.

5) ‘3, 4학년을 담당하고 있는 여교사’ 그룹의 교육 조건에 따른 학생실험 선호 예측

연구 대상 군집 4는 ‘3, 4학년을 담당하고 있는 여교사’

로서 전체 인원의 28.0%에 해당하는 35명의 교사기 이 그 룹에 속한다. 그룹 4의 특징은 연구 대상의 91.4%가 3, 4 학년을 담당하고 있으며, 모두 여교사라는 점이다. 그룹 4에 속하는 연구 대상 중 71.4%는 담임, 28.6%는 교과전 담이었으며, 이는 전체 연구 대상에서의 담임과 교과전담 비율과 비슷하다. 주당 과학 시수의 자료로서 연구 대상 중 과학을 가르치지 않는 교사가 14명으로 40.0%, 과학을 가르치는 교사가 21명으로 60%를 차지하고 있다. Fig. 8 에 나타낸 다이어그램에서 독립변수로 작용하는 노드는 담당 학년, 담임/교과전담, 과학 시수를 기준 변수로 하여 각 항목에 해당하는 6개의 입력층 노드가 있으며, 두 개의 노드를 가진 은닉층이 발생하였다.

Table 6과 같이 연구 대상의 군집별 인공 신경망 분석에 서 은닉층에 나타난 노드의 수를 비교하여 보면 그룹 1은 4개, 그룹 2는 1개, 그룹 3은 1개, 그룹 4는 2개의 노드를 가진 은닉층이 나타났다. 그룹 1과 그룹 4의 은닉층 단계의 노드의 수가 다른 그룹보다 상대적으로 많다. 그룹 1과 4 의 공통된 특징이 여교사라는 점을 통해 추리해보면, 여교 사의 경우 물리 개념을 이해시키는 수업 활동에 대한 인식 형성에 상대적으로 많은 변인들이 작용하고 있다고 할 수 있다. 그룹 4를 인공 신경망 모형을 통해 분석한 결과 훈련 단계에서는 96.2%, 검정 단계에서는 88.9%의 분류 적중률

을 나타내었다. 입력층과 은닉층 노드간의 가중치의 범위는 –1.648∼1.758, 은닉층과 출력층 노드간의 가중치의 범위 는 –2.354∼2.324로 입력층과 은닉층 노드간의 가중치의 범위보다 그 폭이 넓다.

IV. 결론 및 제언

이 연구는 초등학교 3∼6학년을 담당하고 있는 교사 125 명을 대상으로 연구 대상의 교육적 조건에 따른 과학 수업 에서의 인식 결과를 상관 관계와 인공 신경망 모형을 통해 분석하는데 그 목적이 있다. 연구 대상의 담당 학년, 성별, 담임과 교과전담의 형태, 주당 과학 수업 시수를 교육적 조건으로 설정하고 물리 개념을 이해하는데 적합한 과학 수업 형태와 과학 수업 시행에 적합한 수업형태별 비율, 현행 과학 교과서의 수준 및 적정 실험 수에 대한 견해를 목표 변인으로 설정하여 논의하였다.

연구 대상의 각각의 변인들에 대한 상관 관계를 바탕 으로 연구 대상이 처한 교육 조건 및 물리적 환경이 과학 수업과 현행 교과서에 대한 교사의 인식에 영향을 미치는 지를 정적과 부적 상관 관계의 결과를 통해 확인하였다. 또 교사의 교육조건과 교육적 환경에 의해 구분된 연구 대상을 4개의 그룹으로 세분화하여 각각의 특성을 비교하였으며, 그 특성을 독립변인으로 두어 인공 신경망 모형을 활용하여 변인에 따른 과학실험에 대한 교사의 선호 인식 양상을 다 이어그램으로 나타내고, 과학실 험을 선호하는 여부에 따른 예측가능성을 제시하였다. 구체적인 연구결과를 요약하면 다음과 같다.

첫째, 연구 대상의 변인을 교육적 조건과 과학 수업에 대한 인식이라는 큰 범주로 나누고 각각의 하위요소별 요소 를 바탕으로 상관 관계를 분석한 결과, 교육적 조건과 과학 수업 인식의 하위 요소 중에서 통계적 유의미한 관계를 나 타내는 요소가 나타났다. 연구 대상의 13개 변인들의 서로 교차하여 상관 관계를 분석한 결과, 정적인 상관 관계가 6개, 부적인 상관 관계가 6개로 비슷한 비율로 변인들이 구분되어 나타났다. 교사의 담당 학년의 경우 교사의 성

별, 주당 과학 수업 시수, 현행 과학 교과서의 수준, 과학 교과서에 수록된 적정 실험 개수에 대한 인식과 통계적으로 유의미한 상관 관계를 나타내었다. 남성 교사의 경우 담당 학년이 올라갈수록 그 비율이 높아졌으며, 이러한 결과는 현재 초등학교에서의 학년 담당의 성별 분포를 대변한다고 할 수 있다. 초등학교 교사의 경우 남성의 비율이 여성보다 상대적으로 낮지만, 고학년 학생들의 특성을 고려하여 현장 학교에서는 남자 교사를 높은 학년에 배치하는 경향이 두드 러진다. 이를 과학교육 측면에서 바라본다면, 남성 교사의 경우 3학년부터 가르치게 되는 과학교과를 담당하게 될 확률이 높아지며, 더불어 3학년의 낮은 수준의 실험보다는 고학년의 높은 수준의 실험 수업을 진행하게 되는 비율도 동반적으로 높아진다고 볼 수 있다. 교원양성기관과 교원 연수와 같은 교사의 전문성을 신장시키기 위한 여러 정책 중에서 남성 교사에게 보다 고학년 위주의 실험 활동을 강 조해야 한다는 현실적인 효율성을 내포하고 있으나, 반면 에 여성 교사의 경우 담당 학년 선택에 있어 과학 교과의 학습 내용이나 실험 수준이 선택의 영향에 작용할 수 있는 가능성을 후속 연구를 통해 분석되어야 하는 제언도 함께 내포한다고 볼 수 있다. 아울러 높은 학년을 담당하는 교사 가 현행 과학 교과서의 수준이 높고 실험의 개수도 많다고 느낀다는 통계적 결과를 통해서도 고학년의 과학 교과서 수준과 적정 실험 활동 개수에 대한 논의도 함께 이루어져야 할 필요성이 있다.

둘째, 연구 대상의 교육적 조건 특성을 담당 학년, 교사의 성별, 과학 수업을 담임 혹은 교과전담으로 가르치는 교사 의 형태, 주당 과학 수업 시수로 설정하고 이러한 자료를 바탕으로 계층과 비계층적 방법을 통해 연구 대상의 집단을 4개의 그룹으로 세분화하였다. 연구 대상은 ‘담임으로서 해당 학년의 과학 교과를 모두 가르치는 여교사’ , ‘과학 외의 전담교사로서 과학 수업을 하지 않은 교사’ , ‘남교사’ ,

‘3, 4학년을 담당하고 있는 여교사’ 그룹으로 분류되었다.

과학교육 연구의 측면에서 볼 때, 이 연구의 결과로서 구 분되어진 4개의 그룹은 과학 수업을 시행하는 주체로서 교 사의 집단별 특성을 나타내고 있으며, 향후 과학교육 관련 연구나 과학교육 정책 입안, 교수· 학습 자료 및 교원 연수 등에 대상자의 집단별 특성에 따라 목적적이고 표적적인 대안이나 개선점을 제시할 수 있을 것으로 사료된다.

셋째, 인공지능, 경영학, 의사 결정, 소비 마케팅 분야 등에서 활발히 활용되고 있는 인공 신경망 모형을 이용하여 교사의 교육적 조건에 의해 학생실험을 선호하는 교사와 그 렇지 않은 교사의 인공 신경망 시각적 모형과 분류 예측률을 제시하였다. 이 연구에서 구분지어진 교사 그룹별 학생실험 선호 여부를 분석한 결과, 4개의 그룹이 서로 상이한 인경신 경망 모형을 나타냈으며 그 분류 적중률 또한 서로 다르게

나타났다. 이러한 인공 신경망의 시각적 모형은 각 집단의 특성을 구분 지을 수 있는 선행적이고 기초적인 자료로 활용 될 수 있다. 또 인공 신경망이 이용된 여러 선행 연구의 예측 적중률 [58–63]과 비교하였을 때, 이 연구에서 분석된 예측 적중률이 대체로 만족할만한 수준으로 나타났다. 이러한 결 과는 인공 신경망 모형이 대용량의 교육적 통계조사자료에 유용하게 활용될 수 있음을 시사하며, 시각적으로 제시되는 인공 신경망 모형의 결과는 빅데이터 시대의 다양한 정보를 이용하여 새로운 지식과 자료를 재생산해내는데 훌륭하고 직관적인 분석방법으로서의 가능성을 가지고 있다고 할 수 있다.

이 연구에서 통해 얻은 한계점을 공유하고 후속 연구를 위해 몇 가지 제안을 하고자 한다. 첫째, 인공 신경망 모형에 대한 교육 연구 분야의 선행 연구가 부족하여 이 연구에서 제시한 연구결과에 대한 충분한 논의가 이루어지지 못한 점과 교육조건 이외의 다른 변인을 연구에 포함시키지 못한 한계점이 발견되었다. 따라서 후속연구에서는 목표변인이 되는 다양한 교육적 행태를 예측하기 위해 교사의 다양한 변인을 포함시켜 연구를 진행한다면 연구 대상의 특성을 보다 세분화하고 구체적으로 분석할 수 있을 것이다. 둘째 연구 대상을 선정하는데 있어 한정된 지역과 적은 자료 수로서, 이 연구의 결과를 교육 현장의 일반적인 특징으로 보기에는 다소 무리가 있을 수 있다. 따라서 교육과 관련된 다양한 빅데이터를 수집하여 과학교육에서 선행된 교수· 학습활동의 다양한 결과를 예측해낸다면 과학교육 연구의 새로운 분석방법으로서 역할을 충분히 할 수 있을 것으로 보인다. 또한 군집 분석의 특징이 대량의 자료를 연구목적 과 선정된 기준을 토대로 연구 대상을 세분화할 수 있다는 장점이 있으므로 연구자가 직접 수집한 데이터의 한계를 넘어, 교육 기관이나 정부에서 추진하는 교육 정책에 대한 빅데이터를 파악할 수 있다면, 보다 의미 있는 연구결과를 기대할 수 있을 것이다.

REFERENCES

[1] I. Yang, H. Ser, J. Jeong, Y. Kwon and J. Jung et al., J. Korea Assoc. Res. Sci. Educ. 24, 565 (2004).

[2] I. R. Weiss, J. D. Pasley, P. S. Smith, E. R. Ban- ilower and D. J. Heck, Looking Inside the Classroom:

A Study of K-12 Mathematics and Science Eeduca- tion in the United States (Horizon Research, Inc., N.C., 2003).

[3] P. E. Adams and G. H. Krockover, Sci. Ed. 81, 29 (1997).

[4] H. U. Lee, K. C. Shim, S, H. Yeau and N. K. Chang, J. Korea Assoc. Res. Sci. Educ. 18, 443 (1998).

[5] J. Beck, C. M. Czerniak and A. T. Lumpe, J. Sci.

Teach. Educ. 11, 323 (2000).

[6] K. Costenson and A. E. Lawson, Am. Biol. Teach.

48, 150 (1986).

[7] G. H. Roehrig and J. A. Luft, Int. J. Sci. Educ. 26, 3 (2004).

[8] A. Bradley, Education Week 18, 46 (1999).

[9] H. Wenglinsky, ETS Policy Information Center Re- port, 2000.

[10] P. Oh, S. Lee, G. Lee, C. Kim and H. Kim et al., J.

Korea Assoc. Res. Sci. Educ. 28, 47 (2008).

[11] A. Hofstein and V. N. Lunetta, Rev. Educ. Res. 52, 201 (1982).

[12] P. J. Garnett and M. W. Hackling, Aust. Sci. Teach- ers J. 41, 26 (1995).

[13] F. W. McComas, Sci. Educ. Int. 8, 12 (1997).

[14] R. W. Bybee and G. E. DeBoer, Handbook of Re- search on Science Teaching and Learning (Macmil- lan, Berlin, 1994), p. 357.

[15] R. T. White, Int. J. Sci. Educ. 18, 761 (1996).

[16] M. Nott, School Sci. Rev. 78, 49 (1997).

[17] R. Bybee and D. Goodrum, Teaching Science as In- quiry (American Association forthe Advancement of Science, Wasington, 2000).

[18] D. Psillos, H. Niedderer and M. Vicentini, Research in Science Education in Europe (Springer, Berlin, 1999), p. 201.

[19] C. Hart, P. Mulhall, A. Berry, J. Loughran and R.

Gunstone, J. Res. Sci. Teach. 37, 655 (2000).

[20] C. Kampourakis and G. Tsaparlis, Chem. Educ. Res.

Practice 4, 319 (2003).

[21] R. Roberts, School Sci. Rev. 85, 113 (2004).

[22] R. Lazarowitz and P. Tamir, Handbook of Research on Science Teaching and Learning (Macmillian, N.Y., 1994), p. 94.

[23] A. Hofstein and V. N. Lunetta, Sci. Ed. 88, 28 (2004).

[24] N. R. Gibson, Analytic and Synthetic Cognitive Style Dimensions and Academic Task Performance in Learning Disabled and Non-learning Disabled Col- lege Students (Ohio State University, Ohio, 1988).

[25] R. Rosenthal and L. Jacobson, Pygmalion in the Classroom (Holt, Rinehart & Winston, 1968).

[26] B. O. Smith, Research in Teacher Education; A Symposium (Englewood Cliffs, N.J., 1971).

[27] J. Brophy and T. Goosd, Teacher-Student Relation- ships: Cause and Consequences (New York: Holt, Rinehart and Winston, 1974).

[28] D. E. Hunt and E. V. Sullivan, Between Psychology and Education (Dryden, 1974).

[29] H. A. Witkin, C. A. Moore, D. R. Goodenough and P. W. Cox, ETS Res. Bull. Ser. 1975, 1 (1975).

[30] A. Lotfi and A. Benyettou, J. Artif. Intell. 4, 288 (2011).

[31] M. K. Stone, J. Teach. Educ. 27, 332 (1976).

[32] D. Drury and J. Baer, The American Public School Teacher Past, Present, and Future (Harvard Educa- tion, Massachusetts, 2011).

[33] H. Chang and H. Lee, J. Korea Assoc. Res. Sci.

Educ. 31, 14 (2011).

[34] B. B. Armbruster, Reading Teacher 46, 346 (1993).

[35] J. Wellington and J. Osborne, Language and Liter- acy in Science Education (McGraw-Hill Education, UK, 2001).

[36] K. J. Roth, C. W. Anderson and E. L. Smith, J.

Curriculum Studies 19, 527 (1987).

[37] M. D. Odom and R. Sharda, International Joint Conference on Neural Networks 2, 163 (1990).

[38] M. M. Nelson and W. T. Illingworth, A Practical Guide to Neural netsN (Reading, MA: Addison- Wesley, 1991), Vol. 1.

[39] P. K. Coats and L. F. Fant, Financial Management 22(3), 142 (1993).

[40] R. L. Wilson and R. Sharda, Decision Sup. Syst.

11, 545 (1994).

[41] L. Fausett, Fundamentals of Neural Networks: Ar- chitectures, Algorithms and Applications (Prentice- Hall, Inc, 1994).

[42] V. S. Desai, J. N. Crook and G. A. Overstreet, Eur.

J. Oper. Res. 95, 24 (1996).

[43] E. A. Hanushek, J. F. Kain and S. G. Rivkin, National Bureau of Economic Research (1999), p.

7082.

[44] J. Aschenwald, S. Fink and G. Tappeiner, Com- plexity 7, 39 (2001).

[45] S. Haykin, Neural Networks (Association for Com- puting Machinery, N.J., 2004), p. 2.

[46] P. O. Eriki and R. I. Udegbunam, J. Artif. Intell.

1, 21 (2008).

[47] D. Lortie, School Teacher: A Sociological Study (Chicago: The University of Chicago Press, 1975).

[48] M. J. Berry and G. Linoff, Data Mining Techniques:

For Marketing, Sales and Customer Support (John Wiley & Sons, Inc. 1997).

[49] P. S. Balakrishnan, M. C. Cooper, V. S. Jacob and P. A. Lewis, Eur. J. Oper. Res. 93, 346 (1996).

[50] A. Vellido, P. J. Lisboa and J. Vaughan, Exp. Syst.

Appl. 17, 51 (1999).

[51] P. B. Khanale and S. D. Chitnis, J. Artif. Intell. 4, 55 (2011).

[52] D. W. Patterson, Artificial Neural Networks: The- ory and Applications (Prentice Hall PTR, 1998).

[53] S. J. Kim, Y. S. Kwon, K. H. Lee and H. S. Kim, J.

Korean Soc. Civil Eng. 30, 159 (2010).

[54] J. Oh, J. Park and Y. Kim, J. Korea Water Re- sources Assoc. 41, 1059 (2008).

[55] H. B. Demuth, M. H. Beale, O. De Jess and M.

T. Hagan, Neural Network Design (Association for Computing Machinery, N.J., 2004), p. 210.

[56] S. P. Lloyd, IEEE Trans. Inf. Theor. 28, 129 (1982).

[57] C. M. Bishop, Neural Networks for Pattern Recog- nition (Oxford University Press, 1995).

[58] Z. Ibrahim and D. Rusli, in 21st Annual SAS Malaysia Forum (5th September, 2007).

[59] V. O. Oladokun, A. T. Adebanjo and O. E. Charles- Owaba, Pacific J. Sci. Technol. 9, 72 (2008).

[60] H. I. Cebeci, H. R. Yazgan and A. Geyik, Res.

Learn. Technol. 17, 21 (2009).

[61] B. Oancea, R. Dragoescu and S. Ciucu, Faculty of Information Technology (Latvia University of Agri- culture, 2013), pp. 190-194.

[62] S. A. Naser, I. Zaqout, M. A. Ghosh, R. Atallah and E. Alajrami, Int. J. Hybrid Inf. Technol. 8(2), 221 (2015).

[63] S. Jeong, Korean J. Sport Sci. 26, 104 (2015).