Home

인공지능 기술의 발전과 더불어 그 근간이 되는 데이터는 4차 산업 혁명의 핵심 소재가 되었다. 비단 산업이나 전문분야뿐만 아니라 일반 시민들에게도 데이터를 읽고 쓸 줄 아는 능력은 점차 중요해지고 있다[1]. 현대사회에서 다량의 데이터가 축적되고 접근성이 용이해지면서 일반 시민들에게도 데이터의 활용도와 가치는 날로 증가하고 있기 때문이다[2]. 이에 일반교육의 일환으로 데이터 과학 교육을 실시해야 한다는 요구도 지속적으로 제기되고 있다[3].

이러한 사회적 요구에 맞춰 유아부터 초·중·고등학생들을 대상으로 한 데이터 과학 교육 연구가 국내에서도 점차 활발해지고 있다. 예를 들어, 이현국은 센서보드를 활용한 머신러닝 교육을 개발했고[4], 김민규는 파이썬을 활용한 데이터 시각화 교육 교재를 개발했다[5]. 또한, 김용민은 스프레드시트를 활용한 데이터 과학 교육이 초등학생 컴퓨팅 사고력에 미치는 효과에 대해 연구했고[6], 김정아 외는 언플러그드 방식을 활용한 초등학교 3학년 대상 데이터 시각화 교육 프로그램을 개발했다[7]. 이러한 연구뿐만 아니라 정규교육과정에도 사회적 요구를 반영한 데이터 관련 과목들이 늘어나고 있다. 현재, 초등 교육과정에서는 데이터 과학 교육을 직접적으로 다루고 있지 않으나, 중학교 공통과목 ‘정보’에는 ‘자료와 정보’단원이 있으며 2022 개정 교육과정에서는 고등학교 선택과목에 ‘데이터 과학’ 과목이 추가되었다[8]. 이처럼 일반교육으로서 데이터 과학 교육에 대한 수요와 연구는 점점 증가하고 있는 시점이다.

이에 따라 기존 연구들을 종합하고 체계적으로 분석하여 앞으로의 방향성을 탐색해볼 필요가 있다. 그러기 위해서는 데이터 과학 교육에 영향을 미치는 다양한 변인들을 살펴보고 효과적인 교수 설계 방법을 탐색해야 한다. 이를 위해 본 연구에서는 기존 연구들을 ‘메타분석’하고자 한다. 메타분석이란 동일 주제에 대한 다양한 연구 결과들을 정량적이고 체계적으로 분석하는 통합 분석 방법이다[9]. 본 연구에서는 이를 활용하여 데이터 과학 교육이 교육적으로 얼마나 효과가 있는지 파악하고, 관련 변인들에 대해 탐색적 분석을 하고자 한다.

데이터 과학이란 데이터에 관해 이론을 개발하거나 과학적 관찰, 시스템적 분석 등을 하는 학문이다[10]. 데이터 과학 교육은 이러한 데이터 과학을 현실 문제 해결을 위해 활용하도록 돕는 교육을 말한다[11]. 최근, 데이터의 광범위한 축적 및 접근성 향상과 함께 일반교육에서도 데이터 과학 교육에 대한 연구가 다양한 형태로 전개되고 있다.

먼저, 교수학습 모형과 방법의 경우 SW과 유사한 형태로 진행되고 있는데, 이는 데이터 과학 교육이 주로 정보 교과에서 진행되고 있기 때문이다[8]. 구체적으로, 교수학습 모형은 한국교육개발원이 발표한 SW교육 교수학습 모형의 형태로 범주화할 수 있는데, 다음과 같은 유형들이 있다[12]. 교사의 설명과 시범을 듣고 학생들이 연습 및 적용하는 시연중심 모델, 놀이를 통해 SW를 탐색하고 교사의 의도적인 변형으로 사고를 확장시켜 나가는 재구성중심 모델, 학생들 스스로 SW를 탐구하고 알고리즘을 설계하여 산출물을 개발하는 개발중심 모델, 프로젝트 학습법과 유사하게 문제 상황에 대한 요구를 분석하고 창의적으로 설계하여 산출물을 생산 및 공유하는 디자인중심 모델, 마지막으로 컴퓨팅 사고력의 요소들을 문제해결과정 속에서 배우는 CT중심 모델이 그것이다.

또한, 수업 방법의 경우 데이터 과학을 학습하는 매체에 따라 나눌 수 있는데, 신체활동이나 학습지를 사용하는 언플러그드, 교육용 프로그래밍 언어나 프로그램을 사용하는 EPL(Educational Prigramming Language), 로봇이나 센서보드를 사용하는 피지컬 컴퓨팅 방법이 있다[13]. 관련 연구를 살펴보면, 언플러그드 방법의 경우 김정아 외는 주사위 게임, 과자 등을[7], 이예지는 활동지를 사용하였다[14]. EPL의 경우 김용민은 스프레드시트를[6], 김민규는 파이썬을[5], 문우종 외는 머신러닝 포 키즈를 사용하였다[15]. 피지컬 컴퓨팅을 살펴보면 이현국은 마이크로비트[4], 안혜지는 햄스터봇[16], 이선진은 앱인벤터를 사용하였다[17].

한편, 데이터 과학 교육은 인공지능 교육과 연계하여 진행되는 경우가 많다. 이는 데이터 과학과 인공지능이 머신러닝(기계학습)이라는 공통항을 가지기 때문이다[10]. 예를 들어, 이은정은 인공지능 기반 데이터 교육이 고등학생에게 미치는 효과에 대해 연구하였고[18], 김봄솔은 텍스트 데이터 라벨링 기반 머신러닝 교육 프로그램을 개발했다[19].

이처럼 데이터 과학 교육은 다양한 내용과 방법으로 연구되고 있다. 따라서 본 연구에서는 이상의 내용들을 바탕으로 변인을 설정하고 분석하여, 시사점을 도출하고자 한다.

본 연구에서는 데이터 과학 교육 관련 변인을 살펴보기 위해 다음과 같이 연구를 진행하였다. 먼저,관련 논문을 수집 및 선정하고, 변인 분석을 위한 코딩을 진행하였다. 그 다음 데이터 과학 교육의 평균 효과크기를 도출하고, 변인별 효과크기 비교를 통해 관련 변인들에 대한 탐색적 분석을 실시하였다. 마지막으로 출판 오류 분석을 통해 전체 결과의 타당성을 검증하였다.

본 연구에서 선정한 58편의 연구들은 초, 중, 고등학생을 대상으로 하며, 다양한 교수학습 모형과 방법으로 데이터 과학 교육을 실시한 사례들이었다. 또한, 대상 연구들은 데이터 과학 교육이 학생들에게 미치는 교육적 효과에 대해 밝히고 있었다. 본 연구에서는 이를 효과크기라는 통합적이고 정량적인 수치로 변환하여 평균 효과크기 및 변인별 효과크기를 구하여 분석하였다. 다만, 초등학생(4-6)학년 대상 연구가 전체 연구의 72%를 차지하고 있어 해석의 주의가 필요하다.

본 연구는 데이터 과학 교육 연구 58편의 효과크기를 종합하고 분석하여 데이터 과학 교육 효과에 영향을 미치는 변인들에 대해 살펴보았다. 연구 결과와 시사점은 다음과 같다.

첫째, 국내에서 초·중·고등학생을 대상으로 실행된 데이터 과학 교육의 평균 효과크기(ES)는 0.756으로 중간이상의 효과를 보였다(~0.3 : 작은 효과, 0.3~0.8 : 중간 효과, 0.8~ : 큰 효과). 이를 통해 데이터 과학 교육이 일반교육으로서도 학생들에게 교육적으로 유의미한 효과가 있음을 확인할 수 있었다.

둘째, 모든 연령에게 데이터 과학 교육은 효과가 있는 것으로 나타났다. 특히, 고등학생과 초등학교(1-3학년)의 경우 큰 효과(각 0.908, 0.802)를 보였다. 데이터 과학 교육이 초등학교 저학년부터 시행되어도 무리가 없음을 알 수 있다.

셋째, 모든 교수학습 모형이 교육적으로 효과가 있었으나, 모형별 효과크기의 차이가 존재하는 것으로 나타났다. 교수학습 모형별 차이를 알아보기 위해서는 구체적인 종속 변인들과의 관계에 대해 연구해 볼 필요가 있다.

넷째, SW교육 방법에 따른 차이는 통계적으로 유의하지 않았으나, 언플러그드 & EPL 방법의 효과(1.029)가 평균 효과크기(0.756)에 비해서 매우 큰 것으로 나타났다. 데이터 과학 교육에 있어서 언플러그드 방법과 EPL 방법을 병행했을 때 보다 효과적인 교육이 이뤄진 원인에 대해 탐색해볼 필요가 있다.

다섯째, 데이터 수집 방법의 경우 교사가 제공해주는 데이터를 사용하는 것보다 직접 제작하거나 검색하여 수집하는 것이 더 효과적이었다. 데이터 수집 과정은 실제 데이터 과학에서도 중요한 부분이며, 이를 직접 경험함으로서 교육적 효과도 향상됨을 시사한다.

마지막으로, 인공지능과 연계하여 교육하는 경우가 그렇지 않은 경우 보다 효과적이었다. 인공지능기술을 사용해 데이터를 분석해 보는 것이 데이터 과학의 교육적 효과를 높이는 방법이 될 수 있다.

이상으로 데이터 과학 교육에 영향을 미치는 변인들에 대해 분석하고 시사점을 도출하였다. 본 연구는 국내의 데이터 과학 교육을 종합적으로 살펴볼 수 있는 기초자료를 제공한다. 또한, 효과적인 교수학습 설계를 위한 탐색적 근거자료로 사용될 수 있다. 다만, 대상 연구의 상당수가 초등학교 고학년이었던 점을 고려하여, 연령 별 분석도 이뤄진다면 보다 명확한 해석이 가능할 것이다.