최근 들어 ‘빅데이터’라는 말을 자주 사용하고 있다. 사회의 현상을 이야기하기 위하여 설문 조사 결과를 발표하였던 뉴스 기사에서는 이제 ‘빅데이터’ 분석 결과를 발표한다. 미국 대통령 선거에서 빅데이터 분석 결과가 힐러리 클린턴의 승리를 예상하였던 언론사 출구조사 결과와 다르게 도날드 트럼프의 승리를 예견하였다는 기사는 빅데이터에 대한 사람들의 관심을 더욱 고조시켰다(SBS, 2016-11-10). 그리고 이런 결과를 도출하기 위하여 빅데이터를 분석하기 위한 빅데이터 분석가, 빅데이터 과학자라는 직업도 새로 생겼다. ‘빅데이터’라는 말을 자주 듣고 사용하기는 하지만 여기에서 의문이 든다. 과연 ‘빅데이터’는 무엇일까?

빅데이터(big data)는 단어의 조합에서 알 수 있듯이 거대한 데이터 집합 자체를 의미하였다. 그러나 데이터가 급증하면서 대용량 데이터를 활용하고 분석하여 가치 있는 정보를 추출하고, 생성된 지식을 바탕으로 능동적으로 대응하거나 변화를 예측하기 위한 정보 기술 용어로 확장되었다(김환표, 2013).

 

빅데이터는 일반적으로 3가지 특징으로 분류된다.

첫 번째는 이름에서 짐작할 수 있듯이 크기(Volume)이다. 빅데이터라고 불리는 데이터는 일반적으로 페타바이트(PB) 정도의 크기를 가지게 되는데, 1페타바이트는 1,024 테라바이트(TB)이다.

두 번째 특징은 다양성(Variety)이다. 빅데이터는 기존에 사용되던 ‘정형화된 데이터’를 포함하여 웹 로그파일과 같은 ‘반정형화된 데이터’, 사진, 이미지처럼 기존에 활용이 어렵던 멀티미디어 데이터인 ‘비정형 데이터’까지 모두 포함한다(블로터, 2013-01-16).

세 번째 특징은 속도(Velocity)이다. 빅데이터가 되기 위해서는 데이터의 생성, 저장, 시각화 과정이 빠르게 처리되어야 한다. 여기에 추가적으로 데이터가 맥락에 따라 의미가 달라진다는 가변성(Variability), 분석을 통하여 추출한 데이터를 용도에 맞게 정보를 가공해야 한다는 시각화(Visualization), 데이터 분석을 통하여 의미 있는 정보를 얻어내야 한다는 가치(Value) 등을 추가하기도 한다.

교육에서도 많은 양의 빅데이터가 생산되고 있다. 이를 이용한다면 트럼프의 승리를 예측하듯이 학생들의 학습 결과를 예측할 수 있지 않을까? 이러한 전제에서 출발한 것이 바로 학습 분석이다. “학습 분석”에 관하여 많은 학자들이 정의를 내리고 있으나, 한국교육학술정보원에서는 다음과 같이 정의하고 있다.

 

학습 분석은 복잡한 현상을 분석가능한 단위로 잘라 이해하고 예측하는 것이 목적인 데이터마이닝과 다르게 교육 전체 시스템에 관심을 가지고 이미 알려진 방법을 적용하여 특정 문제를 해결하는 것이 목적이다(정보통신산업진흥원, 2015). 즉, 학습 분석은 축적된 학습자 데이터를 바탕으로 학습자의 행동을 예측하고 더 나은 성취향상을 위한 처방으로 활용될 수 있다(하건희, 2015). 이 개념은 2008년에 처음 등장한 이래로 미래 교육에서 주목해야 할 신기술을 선정하여 발표하는 Horizen report에서 매년 강조되어 왔다(안미리 외, 2015 재인용).

학습 분석을 활용할 수 있는 학습 환경은 기본적으로 컴퓨터와 웹기반 학습을 전제로 한다. 가장 보편적으로 활용되는 학습환경은 LMS(Learning Management system)와 VLE(Virtual Learning Environment), 대규모 온라인 강좌 MOOCs(Massive Open Online Courses) 등이다(안미리 외, 2015). 최근에는 거꾸로 교실이나 스마트 교육 환경의 구축에 따라 학습 매개체로 모바일 디바이스나 웹이 활용되며 학습 분석을 위한 데이터 수집이나 활용 범위는 점차 확대되고 있다(안미리 외, 2016).

 

국제 표준화 단체인 IMS Global Learning Consortium에서는 학습 분석을 위하여 교육 분야에서 수집․분석할 수 있는 데이터를 다섯 가지 유형으로 분류하고 있다(조용상, 2013).

• ·  디지털 콘텐츠가 발생시키는 데이터(Learning Content Data)
• ·  학습 플랫폼을 통해 발생하는 학습 활동 데이터(Learning Activity Data)
• ·  교육기관에서 교육 프로그램 운영 중에 발생하는 데이터(Operational Data)
• ·  학습자의 경력과 인맥에 대한 데이터(Career Data)
• ·  학습자 또는 교수자의 프로파일링 중에 발생하는 데이터(Profile Data)

이러한 데이터는 다양한 맥락에서 다양한 종류로 발생된다. 특히 학습 분석이 초점을 두고 있는 콘텐츠 활용과 학습 활동 중의 데이터를 중심으로 살펴볼 때, 학습자의 과제 제출 현황, 성적 등의 데이터는 기존에도 계속 수집해오던 자료로 정형화되어 있지만 시스템 로그파일이나 메시지, 온라인 게시글, 전자문서 등과 같이 비정형화된 데이터도 다수 포함되어 있다. 그러므로 학습 분석에서는 교수-학습 활동 과정 전체에서 발생하는 데이터의 수집과 분석과 관련한 기술이 필요하다.

UNESCO에서는 학습 데이터를 수집해서 분석하는 수준을 세 가지 단계로 구분하여 소개하고 있다.

먼저 마이크로 수준 분석은 학습 분석에서 가장 미세하고 세밀한 데이터이다. 개별 학습자나 그룹의 이해 수준을 진단하기 위하여 온․오프라인에 존재하는 수집 가능한 모든 데이터를 수집한다. 중간 단계인 메소 수준 분석은 기관 수준의 분석이다. 이 분석은 기관에서 제공하는 서비스의 개선 및 설계를 목적으로 데이터베이스의 자료와 비정형 데이터를 수집 및 분석하여 교육기관의 워크플로우를 재설계하거나 교육 서비스 고객의 이탈을 진단하거나 서비스를 준비한다. 마지막으로 매크로 수준 분석은 지역, 국가, 세계 등 거시적인 분석을 수행한다. 각 개인, 기관 수준에서 수집된 데이터를 모아 지역이나 국가의 교육과정 목표 달성 여부 등의 거시적 목표를 진단할 수 있다.

UNESCO는 학습 분석 기술을 적용한 사례로 학습플랫폼 분석 대시보드, 예측 분석, 적응형 학습, 소셜네트워크 분석, 담화분석의 다섯 가지를 제시하고 있다. 먼저 학습 플랫폼 분석 대시보드는 학습자가 자신의 학습 진도를 포함한 학습과 관련한 전반적 상황을 이해하기 쉽도록 시각화하여 제공하는 기능이다. 여기에는 웹 로그 데이터 및 학습자의 상황과 관련한 다양한 데이터를 사용할 수 있다.

두 번째로 예측 분석은 인구 통계적 수치나 과거 성취도 등과 같은 정적 데이터와 로그인 패턴, 온라인 토론 참여 정도 등과 같은 동적 데이터를 활용하여 사용자를 분석하는 방법이다. 예측 분석을 통하여 위험 단계에 근접한 학습자에게 처방적 조치를 행할 수 있다.

 

세 번째 분야는 적응형 학습 분석이다. 이 방법은 학습자의 이해 정도를 측정하여 관련된 디지털 자원을 지원하는 모델이다 이 모델은 교과 과정을 기반으로 학습자의 수준을 시험을 통하여 진단하고 이에 적절한 콘텐츠를 제공해야 한다. 그러므로 이 모델이 활용되기 위해서는 학습자의 다양한 상황을 진단하기 위한 모델링과 학습자에게 제공할 수 있는 다양한 콘텐츠가 필요하다.

네 번째 분야는 소셜네트워크 분석이다. 이 모델은 사람들이 어떻게 관계망을 형성하고 유지하는지에 대한 이해를 돕는다. 교육 분야에서는 학습자의 개인적 관계 설정이나 그룹의 구조가 효과적인 학습에 미치는 영향 등이 주 관심 대상이 된다.

마지막은 담화 분석이다. 이 분석은 패턴 인식이나 구문 분석 기술을 바탕으로 학습 결과에 대한 질적인 분석이 가능하다. 이와 관련하여 에세이나 토론 글에 대한 교사의 첨삭, 쓰기와 말하기가 학습에 미치는 영향, 논쟁에 대한 컴퓨터의 인식 등에 관한 연구가 이루어지고 있다.

이 외에도 JISC는 평가 분석을 언급하기도 한다. 학습자의 학습에 대한 참여를 높이기 위하여 학습 성과에 대한 피드백을 제공하는 것이다. 여기에서는 학습자 개인의 점수뿐만 아니라 학습자 전체에 대한 데이터를 바탕으로 학습자들이 공통적으로 실수하는 영역을 찾아낸다. 이러한 결과는 시각적으로 구성하여 학습자에게 제공한다.

학습 분석 기술은 학습자 개인의 특정 상황이나 매체 선호도 등을 사전에 파악하여 학습 환경을 구성할 수 있다. 또한 학습활동 중에는 학습자의 활동, 진도 상황뿐만 아니라 감정, 동기, 준비 상태 등을 파악하여 학습 지원이 가능하도록 한다. 또한 학습 활동과 평가를 통하여 개선된 피드백을 제공할 수 있으며, 이러한 과정을 통하여 축적된 데이터를 바탕으로 학습자의 학습 과정 완료에 대한 사전 예측을 통하여 조기 경보나 개인화된 학습 경로 생성 및 학습 자원을 제공할 수 있다.

 

또한 교사에게는 학습 참여 부진 학생과 그룹을 조기에 발견하도록 하며, 개별 학습자의 필요와 행동에 대한 맞춤형 대응 및 조언을 제공한다. 또한 학습자의 학업 수행 능력을 측정할 수 있는 다양한 방법과 기회를 제공하며, 학습 결과를 시각적으로 제공함으로써 학습자의 이해를 돕는다. 교사는 학습 분석을 통하여 축적된 데이터를 활용하여 개선된 학습 경험과 자원을 설계할 수 있다.

마지막으로 교육기관에서는 학습 및 그룹의 활동 및 결과에 관한 효과성을 측정하고, 이에 대한 모니터링 및 측정 데이터를 제공할 수 있다. 이렇게 축적된 자료는 향후 교육과정 만족도 제고를 위한 전략 수립용 기초자료 및 교육과정 설계를 지원하기 위한 데이터로 사용된다.

한국교육학술정보원에서는 지난 2016년에 아시아 지역에서 열린 학습 분석 워크숍에서 학습 분석의 활용사례 및 효과를 [그림 3]과 같이 종합하여 제시하였다.

이처럼 학습 분석은 교수․학습의 개선과 학습효과 증진이라는 측면에서 다양한 이점을 가지고 있으나 국내에서는 상대적으로 데이터 수집이 용이한 고등교육에서 제한적으로 활용되고 있다(안미리 외, 2016). 이처럼 학습은 교실, 스터디룸, 집과 같이 데이터가 자동적으로 수집 또는 저장이 되지 않는 곳에서 일어남에도 불구하고 학습 분석이 쉬운 곳의 데이터만 분석되는 가로등 효과가 나타나고 있다(Ochoa, 2017).

 

전통적인 교실 환경에서는 교수․학습 과정 중에는 학습자의 표정이나 몸짓 등의 반응을 교사가 직관적으로 판단하고, 교수․학습 후에는 평가로 학습자의 학습을 확인하였다. 하지만 교사의 직관적 판단은 학습자 또는 교사의 다양한 맥락에 따라 많은 차이가 있었다. 이처럼 실제 교육이 일어나고 있는 공간에서의 학습 분석은 데이터의 종류도 다양하며 수집 및 분석 방법이 웹기반 환경보다 복잡하다. Ochoa(2017)는 실제 교실 현장에서 수집할 수 있는 데이터로 동작추적시스템, 음성인식시스템 등의 기술을 기반으로 한 학습자의 동작, 음성, 필기방법 등을 제안하고 있다. 이외에도 복잡한 교실 환경에서 학습자의 학습을 진단하고 예측하기 위한 데이터는 더욱 많을 것으로 기대된다. 학습자가 학습 결과를 성취하지 못하였다고 판단하는 나만의 기준이 있는가? 그 기준을 자동으로 확인하기 위해서는 어떠한 기준이 필요할까? 학습자를 파악하는 교사의 직관을 자동화하는 기술, 그것이 바로 학습 분석의 시작이다.

◈ 참고문헌

• ·  김용철 (2016). 트럼프 당선을 예측한 그들... ‘빅데이터’는 알고 있었다, SBS, 2016-11-10. retrieved from 
  http://news.sbs.co.kr/news/endPage.do?news_id=N1003880988
• ·  김환표 (2013). 트렌드 지식사전 1-빅데이터. 인물과 사상사: 서울. retrieved from 
  http://terms.naver.com/entry.nhn?docId=2070341&cid=55570&categoryId=55570
  네이버 지식백과. 국립중앙과학관-빅데이터, 2017년 10월 8일 검색 retrieved from
  http://terms.naver.com/entry.nhn?docId=3386305&categoryId=58370&cid=58370
• ·  안미리, 최윤영, 고윤미, 배윤희 (2015). 해외 학습 분석학 연구에 대한 동향 분석: 실증 연구 중심으로. 교육정보미디어연구, 21(4), 601-643.
• ·  안미리, 최윤영, 배윤희, 고윤미, 김민하 (2016). 학습 분석학 국내 문헌 고찰: 로그 데이터를 이용한 실증연구를 중심으로. 교육공학연구, 32(2), 253-291.
• ·  이지영 (2013). 용어로 보는 IT-빅데이터, 블로터, 2013-01-16. retrieved from
  http://terms.naver.com/entry.nhn?docId=3575873&cid=59088&categoryId=59096
• ·  정보통신산업진흥원 (2015). 글로벌 이러닝 산업 및 정책 동향. 글로벌 이러닝 월간 이슈 보고서, 2015-08.
• ·  조용상 (2013). 2013 KEIRS 이슈리포트: 학습 분석 기술 활용 가능성 및 전망. 한국교육학술정보원: 서울. 연구자료 RM 2013-15
• ·  조용상 (2014). 학습 분석 기술 활용 가능성 및 전망-유즈케이스와 서비스 모델. 정보와 통신, 2014, DEC. 73-80.
• ·  하건희 (2015). 학습자 성찰 도구로써 대시보드 개발을 위한 사용성 검사 연구. 이화여자대학교 대학원 석사논문
• ·  한국교육학술정보원 (2016). 학습 분석. 2016 LASI-ASIA. retrieved from 
  http://www.lasi-asia.org:8080/wp/wp-content/uploads/2016/09/KERIS_2-1-final.pdf
• ·  JISC CETIS (2012), Analytics for Learning and Teaching. Anlytics Series, 1(3).
• · Shum, S. B., Knight, S., & Littleton, K. (2012). Learning analytics. In UNESCO Institute for Information Technologies in Education. Policy Brief.
• · Ochoa, X. (2017). Multimodal Learning Analytics. LASI Korea 2017.