교육부
행복한 교육

미래교육을 위한 빅데이터의 교육적 활용 방법


글_ 김자미 고려대 교육대학원 컴퓨터교육학과 교수


  ‘데이터(Data)’와 ‘분석(Analytics)’은 서로 다른 의미를 가진 단어이지만, 하나일 때보다 함께일 때 온전한 느낌을 준다. 데이터에 대한 관심은 정보기술의 발달로 빠른 처리가 가능해지면서부터다. 데이터를 분석해서 활용하는 이유는 시대에 따라 변화되고 있다. 즉, 과거를 정리하기 위한 분석인가, 미래를 예측하기 위한 분석인가로 구분할 수 있다. 다양하고 많은 데이터를 분석하는 관점, 그리고 데이터를 교육을 위해 활용할 수 있는 가능성, 미래교육의 안목을 제공하는 데이터의 가능성, 데이터 과학자라면 기억해야 할 것에 대해 살펴보고자 한다.


데이터 분석의 관점
  데이터를 활용하기 위해서는 분석의 목적이 명확해야 한다. 분석 자체가 목적이 아니라 분석하는 이유, 분석의 시점, 분석 방법에 따라 다른 결과를 얻을 수 있기 때문이다. 일반적으로 분석의 시점을 통해 구분하고 있는 Analytics 1.0은 이미 발생한 상황에 대한 분석이다. 문제가 발생한 이유를 밝히기 위해 분석하고, 진단하는 것이다. 즉, 미래적 예측보다는 과거를 정리하여 의사결정에 사용하기 위한 것이었다. 사용되는 데이터도 한정적이었다. Analytics 2.0은 보다 미래적이다. 핵심 키워드는 빅데이터로 다양한 유형의 데이터를 모두 사용하고, 데이터가 같은 역동성을 반영한다. 즉, 발생한 일에 대한 이유를 넘어 예외적 상황을 감지하고, 향후 추세를 예측하기 위한 것이다. 최근에는 Analytics 3.0 혹은 4.0에 대한 언급이 이어지면서 데이터를 어떻게 분석할 것인가에 집중하고 있다.


  데이터 분석을 통해 가치를 찾아내는 일을 교육에서도 활용할 수 있을까? 학습자의 학습을 원활하게 하는 데 도움을 주고, 교수자를 지원할 수 있는 역할을 위한 기반기술로써 빅데이터를 활용하기 위한 움직임이 커지고 있다. 대학교육에서 학습자 중심의 교육을 실현하기 위한 학습 분석을 가능하게 하는 것이 바로 빅데이터이다. 기술의 빠른 발전과 네트워크 등의 발달로 학습자 개개인의 학습 성향과 관련된 대량의 데이터 수집이 가능한 상황을 활용하고 있다. 대학교육에서는 학습 지원이라는 큰 틀에서 빅데이터를 분석하여 학습자의 성향을 파악하고 진로를 위한 수업 추천이나 교육과정 추천 등이 활발하게 진행되고 있다.


데이터의 교육적 활용 가능성
  빅데이터를 활용한 학습 분석을 통해 학습자의 성향을 고려하여 적응형 학습을 이끌고, 맞춤형으로 개인화된 학습을 진행할 수 있는 가능성을 시험한 것이다. 즉, 기존에 교사가 학생을 가르치는 동일한 환경을 고려하였다. 동일한 교수학습 상황에서 데이터를 분석하는 것만으로 학습을 지원하기 위한 질을 개선하기 위해 우선적으로 데이터의 수집 방법에 집중하였다. 특정 목적을 갖고 데이터를 수집하는 것과, 데이터를 수집한 이후에 데이터의 경향성을 분석하여 의미를 찾는 것은 다른 차원이기 때문이다. 다양한 데이터 축적의 한계를 논의하는 경우도 있다. 데이터 확보가 어려우면, 이후의 활동이 모두 불가능하기 때문이다. 이에 데이터를 수집하고 데이터를 분석하여 학습을 지원한 사례를 살펴보면 다음과 같다.


  미국 퍼듀대(Purdue University)는 수업 시간에 학생들이 소지한 스마트 기기를 활용하여 데이터를 수집하고, 실시간으로 분석하여 수업 자료로 활용할 뿐 아니라 행동 분석의 자료로도 활용하고 있다. 즉, 데이터를 수집하기 위해 정교한 전략을 토대로 다양한 데이터를 수집할 수 있으며, 데이터의 축적은 곧 학습자의 학습을 도울 수 있게 된다. 미국 애리조나주립대(ASU, Arizona State University)는 학생들이 소지한 다양한 스마트 기기를 활용하여 데이터를 수집하고, 학생들의 개별 특성을 분석하고 있다. 재학생들의 졸업률을 높이기 위한 목적으로 시작되어 현재는 학생들의 학업지원 뿐 아니라 맞춤형 지도체제를 갖추었다. 호주 통합사이버대학(OUA, Open Universities Australia)은 온라인 학습 환경 및 지원 시스템에 학습관리시스템과 교육과정 프로파일에서 생성된 데이터를 활용하였다. 데이터 분석을 통해 학생들의 학습 진도 추적, 학습활동 권고, 코스 추천 등의 다양한 지원을 실시하고 있다.


데이터 과학자라면
  확보된 데이터들은 구조화해서 분석하며, 적절한 통계적 모델링을 통한 예측은 학교 현장에 많은 변화를 줄 수 있을 것이다. 이미 중등교육 단계에서 학습데이터를 축적하여 분석하는 핀란드의 사례를 들지 않더라도 머지않은 시일에 우리의 학교 현장에서도 볼 수 있기를 희망한다. 데이터를 통한 예측은 더 나은 선택과 더 나은 결정을 내릴 수 있도록 하는 데 도움을 준다. 그러나 미래교육을 위한 빅데이터의 교육적 활용에 잊지 말아야 할 두 가지를 기억할 필요가 있다.


  데이터는 분석을 위해 존재하는 것이 아니라 분석을 통한 결과에 의미를 부여하는 해석을 통해 가치가 창출된다는 점이다. 데이터를 어떻게 분석할 것인지의 측면보다는 분석된 결과가 의미하는 것, 예측하는 것이 무엇인지를 파악하는 것이 넘쳐나는 데이터에 생명을 불어넣는다는 점을 잊지 말아야 할 것이다. 교육 현장의 데이터는 학생을 지원하기 위한 목적으로 활용되어야 하며, 학생을 서열화하고 분리하기 위한 용도로의 활용을 경계해야 할 것이다. 또 한 가지는 다양한 교육 플랫폼을 통해서 데이터를 수집하거나 수집된 데이터를 활용할 때, 윤리적 측면을 충분히 고려해야 한다는 점이다. 개인정보는 그 자체로 보호받아야 한다는 것, 데이터의 활용이 공공성을 충분히 가져야 한다는 점, 미래 세대의 삶에 긍정적 영향을 주는 책임을 가져야 한다는 것, 미래 세대의 권리 파괴가 일어나지 않도록 데이터 수집에 대한 충분한 감시체계가 갖추어져야 한다는 점 등이다. 데이터의 수집이나 분석에 집중하여 학생이나 개인의 인격을 잊어버리는 일이 일어나지 않도록 하는 것이 빅데이터의 교육적, 공적 활용을 높이는 데 기여하게 될 것이다.


참고문헌


Deepesh Nair(2018). The Evolution of Analytics with Data. https://towardsdatascience.com/the-evolution-of-analytics-with-data-8b9908deadd7


Higher Education Commission (2016), From Bricks to Clicks: the Potential of Data and Analytics in Higher Education. Policy Connect.


Linda Harrington(2016). Analytics 1.0, 2.0, 3.0 AACN Adv Crit CareApril-June 27:141-144;


Niall Sclater, Alice Peasgood, Joel Mullan(2016), Learning analytics in higher education, JISC.

https://www.jisc.ac.uk/sites/default/files/learning- analytics –in-he-v3.pdf, A review of UK and international practice. Read our updated briefing on learning analytics and student success from January 2017 (pdf).


Varun Nemmani (2016). The evolution of Data Analytics : The Past the present and the Future. University of Missouri.