서론
MIT 대학 총장 레이프(Leo Rafael Reif)는“미래의 이중 언어 사용자를 교육하라. 이중 언어 사용자는 생물학, 화학, 정치, 역사, 언어학 등의 분야에 종사하면서 AI 기술에도 능숙한 사람이다.”라고 언급하였다.1 그는 또한 자신의 분야에서 AI를 활용할 수 있는 능력을 갖춘 사람들을 교육하기 위한 새로운 구조가 만들어져야 한다고 주장한다. 즉, AI가 전문가의 영역이라는 생각을 바꿔야 하며, 교육현장에서는 교과목 특성을 반영한 AI 적용 방안 모색이 필요함을 제시한 것이다. 최근에는 AI를 중심으로 한 과학 기술의 급격한 발전이 이러한 변화를 가속화하고, 이에 따른 사회적 변화에 대한 기대가 커지고 있다. 이러한 상황에서 우리나라는 미래 인재들이 반드시 가져야 할 인공지능(Artificial Intelligence, 이하 AI) 기술에 대한 교육을 강화하고 확대하는 노력을 진행 중이다.2,3
2020년에는 AI 교육 모델의 적용이 논의되었고, 이를 기반으로 국내 교육체계에서 어떻게 발전할지에 대한 연구가 진행되고 있다. 교육부의 ‘2022 개정 교육과정’에서는 AI 기초와 윤리, 활용 등을 목표로 하며, 초중고교에 관련 수업자료를 개발하여 보급하고 있지만,4 학교 현장에서의 구체적인 도입 상황과 교육 방법에 대한 연구가 부족한 실정이다. 최근의 개정 교육과정에서는 초중고교에서 프로그래밍, AI 기초원리, AI 윤리, AI 활용을 다루는 수업이 진행되며, 이를 통해 학생들이 미래에 대비하고 창의적으로 학습할 수 있도록 지원하고 다양한 시도들이 이뤄지고 있다. 그러나 이러한 노력에도 불구하고, 학교 교육 안에서의 실질적인 AI 교육의 효과와 도입 상황에 대한 연구는 아직 부족하다. 때문에 현재까지 AI 교육을 어떻게 할 것인가에 대한 적절한 가이드라인이 없는 상황에서 이러한 시도들은 기존 SW 교육의 목표와 방법론에 기반하여 이루어지고 있다.5–7 또한, 개정될 교육과정에서 교과교육의 한 부분으로 AI 교육 영역을 모두 담아낼 수 있는가에 대한 우려도 크다.8
결국, 실제 교실에서 어떻게 AI 기술을 융합하여 교육할지에 대한 가이드라인이 필요하며, 교사들과 학생들이 이를 효과적으로 활용할 수 있는 교육 모델 및 수업 활동을 개발하는 것이 중요하다. 즉, AI와 교과융합 교육이 필요한 것이다. 우리나라 교육에서 AI를 접근하는 방법은 학습 도구이면서 동시에 학습목적을 포함하고 있다. 하지만, 교과-AI 융합 수업이 AI활용 역량을 신장시키거나 AI를 접목한 교과의 성취기준 및 학습목표의 도달에 도움을 주었는지를 확인한 연구는 아직 많이 부족한 상황이다.9 교과-AI 융합 수업을 경험한 학생들의 역량을 교육과정의 틀을 토대로 지식과 이해, 가치와 태도 그리고 기능의 측면에서 그 효과를 확인해보는 연구가 더욱 활발히 이루어져야 할 것이다.
AI를 적용하기에 가장 적합한 교과로 과학이 손꼽히고 있다.10 하지만 교육과정 속에서 AI를 융합한 과학교육 연구의 진행은 미진한 편이다.11 단지, 과학교육에서 AI를 적용한 연구로 머신러닝을 이용하여 운동과 에너지 단원 학습 프로그램을 제안한 연구,12 온라인 학습에서 식물 분류 학습에 적용한 연구,13 학생들의 과학 논변 활동의 구성 요소 분석의 자동화 가능성을 탐색한 연구14 등이 있었다. 그 중, 화학교육과 연관된 논문으로는 분자의 구조를 이해하는 융합교육 프로그램을 개발한 연구,15 원소의 주기적 성질의 학습,16 화학원소 기호 이미지 학습 프로그램 연구17 등이 있다. 이렇게 AI를 과학교육에 접목하기 위한 개발 연구가 이루어지고 있지만 고등학교 과학교육 과정속에서 화학 수업으로 실제 적용한 연구는 부족했다. 그리고 AI 교육 프로그램 개발 및 적용에 대한 문헌이 있더라도 그 대상이 초등학교 혹은 대학생, 혹은 교사 적용되었다는 연구가 대다수였다.
화학교육 분야에서의 최근 연구는 AI 기술을 활용한 학습 도구가 학습자들의 화학 개념 형성 및 학습 태도에 긍정적인 영향을 미칠 수 있다는 가능성을 제시하고 있다. 그 예로, 화학 개념의 형성 및 지식이해 측면에서는 AI를 화학교육에 접목함으로써 학습자들이 화학과 인공지능의 내용을 융합하여 분자 구조에 대한 이해를 높일 수 있음을 보여주고 있다.15 더불어, AI 기반의 학습 도구는 학습자의 개별적인 학습 상황을 고려하여 맞춤형 피드백을 제공하고 개념 오해를 수정하는 데 도움이 됨을 보여주었다.18 또한, AI를 접목한 화학교육은 학습자들이 학습 단계별로 개념 이해 정도를 확인하고, 학생과 AI 도구가 상호 작용하는 과정을 통해 학생 스스로 사고할 수 있는 기회를 제공하여 기능적인 측면에서도 효과를 보인다.18 그리고 학습태도 측면에서는 AI를 활용한 화학수업은 학생들이 직접적인 경험과 탐구 활동을 통해 학습하는 것을 선호하며, 활동적이고 자기주도적인 학습 태도를 나타내었다.17 더불어, AI 기반의 학습 도구를 만드는 과정 자체가 학습이 될 수 있으며, 이를 통해 학습에 대한 가치 태도를 형성하고 강화할 수 있었다.18 이러한 결과들은 AI를 활용한 화학교육이 지식 이해, 가치 태도, 그리고 기능 측면에서 학습자들에게 긍정적인 영향을 미칠 수 있다는 가능성을 제시하였다.
이 중 AI 분류 모델을 화학교육에 적용한 소수의 연구에서는 AI 접목의 효과를 AI 역량에 초점을 맞추어 분석한 결과들이 대부분이다.18,19 그들은 AI 분류 모델을 활용한 화학 수업이 학습자들에게 AI의 원리와 작동 방식을 이해하고, AI의 가치와 효용을 인식하며, AI의 적용과 활용을 경험하게 해주는 교육적 효과가 있다고 언급하였다. 하지만 AI의 화학교육 접목이 전통적인 화학수업의 약점을 보완하고 이에 대한 효과를 종합적으로 확인한 연구는 없었다. 실제 중학교 교과서의 화학관련 단원이나 고등학교 화학교과서에는 학습자의 화학적 개념이해를 돕고 학습 동기를 유발하기 위하여 다양한 시각자료나 표상을 활용하고 있다.20 시각자료와 표상을 활용하는 화학 교과의 특성이 반영될 있는 AI 분류 모델을 화학 수업에 활용한다면, AI 역량 뿐만 아니라 화학적 개념의 이해 과정에서 도구로 활용되는 AI 역량의 측면을 종합적 분석할 수 있을 것이다. 다시 말해, AI 분류 모델을 화학교육에 적용한다면 화학수업 현장의 교육과정에 제시되는 지식이해, 가치태도, 기능의 3가지 요소를 AI와 교과 역량이 융합한 형태로서 종합적으로 분석할 수 있을 것이다.
최근 AI 교육의 방향이 사용, 소비관점에서의 활용, 창조 관점의 교육으로 전환을 예고하면서 AI를 기반으로 한 메이커교육이 더 큰 동력을 얻을 것으로 예상된다. 때문에 고등학교 화학 수업에 메이킹과 AI의 접목은 다양한 측면에서 의미가 있을 것이다. 메이킹 활동은 학생들에게 이론적 지식 뿐 아니라 실제로 센서와 액추에이터를 활용하여 물리적인 화학 실험을 구현하는 기회를 제공하며, 피지컬 컴퓨팅 도구를 통한 실용적인 경험은 화학적 개념을 명확히 이해하는 데 도움이 된다.21,22 또한, 메이킹 활동을 통해 학생들의 창의성과 문제해결 능력이 강화되며, 이를 통합한 AI의 도입은 센서 데이터의 분석이나 음성인식 기술을 통한 피드백 등을 통해 학생들의 AI에 대한 이해를 높일 수 있다.14 이러한 접목은 추상적인 화학 개념을 현실 세계의 문제해결에 적용하는 과정을 강조하며, 학습동기부여를 높일 것으로 기대된다. 이에 김성애의 연구23에서 AI 기반의 메이커 교육 모형을 개발하고 학습자와 교수자의 긍정적인 반응과 만족도를 확인하였으나, 수업 주제가 코로나-19와 관련된 범교과적인 메이킹 활동이었기에 화학 교과와의 관련성이 부족한 한계점이 있었다.
따라서 본 연구에서는 AI 기술을 고등 화학 교육에서 활용하기 위한 방안으로 피지컬 컴퓨팅을 기반으로 한 AI 연계 메이커 교육을 제안하는 바이다. 특히, 본 연구는 AI 분류 모델 기반 융합 수업을 화학 교육과정에 도입하여 정규 교과 시간에 메이커 연계 교육활동이 이루어질 수 있도록 구성하고 이에 대한 효과를 탐색하고자 한다. 즉, AI 분류 모델 기반 융합수업이 피지컬 컴퓨팅을 활용한 화학 교육의 메이커 활동으로서 본 수업의 실효성을 교육과정의 구성 요소를 토대로 검증하기 위한 방법을 제시하고 그 의미를 도출하고자 하였다. 이를 위하여 본 연구에서는 AI 분류 모델 기반 화학수업이 주는 효과에 대하여 학생들의 자기효능감의 변화를 교육과정의 틀에 기초하여 지식이해, 가치태도, 그리고 기능의 3가치 측면으로 분석하였다. 결국, 본 연구의 목적은 고등학생을 대상으로 교육과정 성취기준에 따라 AI 분류 모델 기반 화학수업을 개발하고 프로그램 투입을 통해 그 효과를 화학 개념 형성, AI 가치, 그리고 AI 연계 메이킹 역량 측면에서 학생들의 자기효능감을 종합적으로 분석하고자 한다.
연구방법 및 절차
AI 분류 모델 기반 화학 I 수업에서 학생들의 자기효능감을 화학 개념 형성, AI에 대한 가치 변화 및 AI 분류모델 기반 메이킹 역량 측면에서 확인하기 위한 본 연구는 프로그램을 개발 및 효과 검증을 위하여 전체적인 연구절차가 ‘프로그램 개발’, ‘프로그램 적용’의 두 단계로 이뤄졌다. 이에 대한 구체적인 내용은 다음과 같다.
AI 분류 모델 기반 화학 I 수업의 개발
화학 교과 내용 및 AI 기술 영역 선정
본 연구에서는 2015 개정 과학과 고등학교 화학 I, II 교과서와 초·중등 AI 내용 기준(안)24을 종합하여, 고등학생들에게 적용하기 적합한 AI 분류 모델 기반 화학수업 프로그램 개발하였다. 교과 내용과 이에 따른 AI 기술 영역을 검토 및 선정과정은 다음과 같다.
초기에는 중등 과학 교과서의 특징을 파악하였다. 고등학교 화학 교과서에는 원자 및 분자 개념을 다루는 단원이 많기 때문에, 교과서의 내용이 미시적 수준의 입자 개념을 나타낸 시각 자료(또는 표상)가 다각적으로 활용되고 있는 것으로 나타났다.20 특히 원자 및 분자 개념을 다루는 시각 자료 및 표상의 다양한 활용을 확인하였다. 이를 토대로 화학 내용과 AI 기술 영역을 함께 고려하여 프로그램의 주제와 AI 분류 모델을 선정하였다.
AI 분류 모델 중에서 텍스트 인식에 대한 구체적인 언급이 없기에, 교육부에서 발표한 초·중등 AI 내용 기준(안)을 참고하여 텍스트 인식 기술에 대한 부분을 보완하였다. 또한, AI의 이미지 인식 기술 중에서 특히 ‘이미지 인식’을 중점으로 선택하였다. 교육부의 AI 내용 기준과 2015 개정 교육과정의 내용을 토대로 초등학교부터 고등학교까지의 학습 단계에서 이미지 인식과 관련된 내용이 반복적으로 다뤄진다는 점을 확인하였다. 따라서 원자 및 분자의 표상을 인식할 수 있는 이미지 인식을 AI 기술 영역으로 선택하였다.
이후, AI 기술과 화학 교과 내용을 연계하여 고등 학생들에게 유용한 주제를 선정하기 위해 화학 교과서의 특징과 AI 교육과정을 종합적으로 고려하였다. 특히, 미시적 수준의 입자 개념을 나타낸 시각 자료를 중시하는 화학교과서의 특성을 고려하여 이미지 인식을 통한 원자 및 분자의 표상을 중점으로 선정하였다. 마지막으로, 화학개념을 알고리즘으로 구현할 수 있는 단원을 선정하였다. 알고리즘이란, 주어진 문제를 논리적으로 해결하기 위해 고안된 방법이나 절차들의 집합으로서, 이는 프로그래밍 또는 코딩을 통해 구현될 수 있다.25 과학 교과 내용은 명제적 지식과 절차적 지식이 교과 특성 상 대부분을 차지하고 있기 때문에 과학 교과의 내용 지식은 충분히 알고리즘으로 구현 가능하다는 점을 고려하여, 고등학교 2학년 화학 I 교과서의 ‘화학의 첫 걸음, 생활 속의 탄소화합물’ 단원을 선택하였다. 해당 단원은 화학 I 교과에서 학습하는 화학의 첫걸음 단원의 ‘탄소 화합물의 유용성’을 AI 교육 영역과 연계하여 화학이 탄소 화합물이 일상생활에 유용하게 활용되는 사례를 탐색하고 다양한 탄소화합물의 구조를 비교하면, 학생들이 탄소 화합물의 특징을 예측하고, 이를 직접 메이킹 활동으로 비교할 수 있는 단원의 내용을 재구조화 할 수 있었다. 더불어 화학 개념을 이해하는 과정에 순서와 절차가 있는 특성을 지니고 있어, 고등 학생들이 AI 모델을 적용하고 메이킹 활동을 통해 화학개념을 실제로 체험할 수 있는 적절한 주제로 판단하였다.
교과-AI 융합 교육 모형 및 AI 하드웨어 소프트웨어 선정
AI 분류모델기반고등학교화학 교수학습프로그램개발을 위해 과학 교과와 AI 교과의 융합 방법인 Drake(2010)의 KDB 모형26을 변형한 이주영 외(2023)의 KMB모형을참고하였다.27 KMB 모형은 과학 모델링과 AI 모델링을 통합한 구조로, 교과의 지식과 기능 뿐만 아니라 학습자의 인성까지 고려할 수 있는 장점을 갖추고 있다. 이주영 외의 연구(2023)에서는 KMB 모형을 AI 모델링 융합을 위해 KDB 모형의 3가지 구성 요소를 모델링 학습에 적합한 구성 요소로 변형하고, 구성 요소별 단계와 내용을 마련하였다. 교수 학습 모형의 명칭은 과학과 AI 융합교육을 위해 K(지식), B(인성)과 더불어 M(모델링)을 주요 구성 요소로 설정하여 교수 학습을 설계하고 실행할 수 있도록 구안하였기 때문에 AI-SCIENCE KMB(이하 ASKMB)로 명명하였다. 이 모형은 탐색, 모델 생성, 활용의 3단계로 구성되어 있으며, 각 단계는 학습자의 활동과 모델링 프로세스를 종합적으로 반영하고 있다(Fig. 1).
Figure 1. AI-SCIENCE KMB (ASKMB) model.
본 연구에서는 AI 분류 모델을 활용한 메이킹을 중요시 하기에, 이주영 외(2023)의 ASKMB 모형에서 모델 생성단계를 모델링과 메이킹의 통합적인 의미로 확장하여 AI 분류 모델 기반 메이킹 활동으로 구성하였다. 때문에 본 연구에서의 모델생성 단계는 실습도구를 이용한 작업 수행을 통해 손쉽게 머신러닝 모델을 개발하고 이를 활용하게 하였다. 그리고 이 모델을 코딩교육에 주로 사용되는 플랫폼에 추가하여 만든 머신러닝 모델을 바탕으로 프로젝트를 만들 수 있도록 하였다. 최종 활용 단계에서는 생성된 모델을 활용하여 과학 개념과 이론을 예측하고 응용하는 활동이 진행되며, 학습 내용에 대한 성찰을 통해 실생활에서의 적용 가능성과 가치에 대한 고찰이 이루어지도록 구성하였다.
AI 교과융합 기반 맞춤형 학습 지원 도구를 생성하기 위해서는 분류모델을 생성할 수 있는 플랫폼이 필요하다. 이에 AI에기반한텍스트및이미지인식모델생성이가능한 소프트웨어를탐색한결과,11,28 본연구에서는 MLFK(Machine learning for kids)6,29와 mBLOOK30 선정하였다. 본 프로그램은 ASKMB의 모델 생성 단계에서 클라우드 기반의 AI 실습환경인 MLFK1)와 mBLOOK를 활용하여 텍스트, 이미지, 숫자 데이터를 바탕으로 머신러닝 모델을 구축해 보는 활동과 이와 연계된 피지컬 컴퓨팅 활동으로 구성하였다. MLFK는 영국의 IBM에서 개발한 머신러닝 소프트웨어로, 모델을 활용하여 스크래치, 앱인벤터, 파이썬으로 프로그래밍하여 AI 분류 모델을 만들 수 있는 API를 제공한다. 그리고 MLFK는 지도학습을 기반으로 숫자, 텍스트, 이미지, 소리에 대한 머신러닝 모델을 생성할 수 있다는 장점이 있기에,28 텍스트 분류 모델을 학생들이 경험하는데 적합한 플랫폼으로 보았다. mBLOCK은 중국의 makeblock에서 개발한 과학, 기술, 공학, 예술 및 수학 STEAM 교육을 위한 소프트웨어로 로봇, 마이크로비트, 아두이노 등 다양한 컴퓨팅 교구와 연동하여 블록기반 및 텍스트 코딩이 가능하다. 때문에 본 연구에서 개발하고자 하는 이미지에 대한 AI 모델을 만들고 이를 피지컬 컴퓨팅으로 최종 산출물을 완성하는데 적합한 프로그램으로 판단되었다.2)
마지막으로, 생성된 AI 분류 모델 기반의 메이킹 프로그램을 학생들이 학습하기 위해서는 피지컬 컴퓨팅과 연계된 프로그래밍이 요구된다. 이에 AI 분류 모델 기반 메이킹 활동 장치를 학생들이 경험하게끔 하기 위하여 아두이노, RGB LED 센서를 이용한 이미지 AI 분류 및 메이킹 모델의 개발로 방향을 잡았다. 피지컬 컴퓨팅을 지원하는 아두이노는 저렴한 가격, 센서와 엑츄에이터와 연결, 쉬운 프로그래밍, 오픈소스로 공개된 코드와 프로젝트는 도구활용 능력, 창의적 문제해결력, 공유와 개방, 협력으로 대표되는 메이커 정신과 일치하며 메이커 교육의 디지털 제작도구로 사용되고 있다.31,32 때문에 기존의 MBL(Microcomputer Based Laboratory) 장치를 아두이노를 기반으로 하는 피지컬 컴퓨팅으로 대체한 연구,33 중력 가속도 측정장치 만들기,34 화학전지 만들기,35 초음파 간섭 실험,36 용액 색깔의 디지털화37 등 아두이노 기반 피지컬 컴퓨팅을 바탕으로 한 메이커 교육을 과학 교과에 적용한 사례가 연구되어 왔다. 본 연구에서는 이러한 피지컬 컴퓨팅 능력과 앞서 제시한 플랫폼을 통한 AI 프로그래밍 능력을 유의미하게 연결시켜 화학수업에서 AI 분류모델 기반 메이킹을 적용하고자 하였다.
프로그램 세부 활동 개발
본 연구는 ASKMB 모형을 활용하여 화학과 AI 교육을 효과적으로 융합하는 방법을 모색하였다. 이를 위해 ‘AI 분류 모델 기반 화학수업’을 설계하였고, 이를 ‘탐색’, ‘모델링’, ‘활용’의 세 단계로 나누었다.
첫 번째로, 탐색 단계에서 학생들은 Fig. 1와 같이 3가지 핵심 내용(학습 내용 탐색, 데이터 수집, 분석, 문제 파악 및 가설 설정)을 경험하게 된다. 학습 내용 탐색에서는 탄소 화합물의 특징, 탄소 화합물이 일상생활에 유용하게 활용되는 사례를 알아보고 교사가 제시하는 여러 가지 탄소화합물의 구조식을 탐색하며 각각의 특징과 사용처 알아보는 활동을 하였다. 데이터 수집, 분석에서는 학생들이 입고 있는 교복이나 책가방의 라벨을 활용하여 섬유의 조성을 살펴보게 하였다. 그리고 의류 이외에 우리 주변의 식량 문제해결, 주거 문제해결이 기여한 물품들을 테블릿 PC를 통해 조사하여 수집된 데이터를 확인하고 데이터에 있는 정보를 찾아내기 위해 위해서 어떤 작업이 필요할지 생각을 공유하였다. 마지막, 문제 파악 및 가설생성에서는 메이킹 활동 전 알고리즘 블록코딩의 모습 예상하기/예상한 블록코딩을 통해 작동될 AI 분류 모델은 어떻게 작동할지 가설 설정해보도록 하였다. 가설을 설정하며 모델 수정, 구성, 평가의 과정을 경험하게 된다. 또한, ASKMB 모형의 학습 내용 탐색을 통해 학습 주제 선정, 탐색망 구성, 데이터 수집 및 분석, 가공 시 지켜야 할 윤리를 확인할 수 있도록 설계하였다.
두 번째로, ‘모델링’ 단계는 분류 모델 기반 메이킹의 구성, 평가, 수정이 핵심 내용으로 설정되어 메이킹과 관련된 다양한 활동을 수행하도록 설계하였다. 모델링 구성에서는 MLFK, mBLOCK 플랫폼을 활용하여 AI 분류 모델 기반 메이킹을 구성하고, 메이킹 구성 전 학생들에게 순서도를 알려주고 텍스트, 이미지 분류에 맞게 알고리즘 프로그래밍 구성하며, AI 분류의 확인을 위해 아두이노, RGB LED 센서를 활용한 피지컬 컴퓨팅 구성하도록 하였다. 메이킹 평가에서는 올바른 알고리즘 프로그래밍을 제시하여 본인이 미리 구성한 알고리즘과의 차이 파악하고, 구성한 블록코딩 알고리즘 프로그래밍을 조별로 발표해보며 AI 분류 블록코딩 및 메이킹을 평가하게 하였다. 메이킹 수정에서는 최적의 AI 분류 모델 기반 메이킹 활동으로 조별로 재구성하고 수업으로부터 AI의 활용 가능성 분석하여 조별로 AI 분류 모델 기반 메이킹 구성에 대한 공유 및 토의를 통한 피드백 받도록 구성하였다.
세 번째로, ‘활용’ 단계는 앞서 학습한 내용을 적용하고 응용하는 내용으로 구성하였다. 적용/응용에서는 AI 분류 모델에 대해 설명해보고, 본인이 처음 작성한 블록코딩 알고리즘과 실제 알고리즘이 어떻게 다른 지 설명하고 차이점을 분석해서 AI 분류 모델을 사용할 수 있는 교과목 및 학습은 무엇이 있을지 찾아보도록 구성했다. 그리고 이 단계는 AI을 활용하여 본인이 하고 싶은 일은 무엇이 있는지 논의해보고 메이킹 과정을 통해 느낀 점, 알게 된 점, AI을 활용하여 본인이 하고 싶은 일들은 어떤 것들이 있는지 다양한 이야기를 나누어 보는 활동을 하는 단계로 구성하였다.
이와 같은 단계로 개발된 프로그램에 대한 차시 별 주제 및 활동 내용은 Table 1과 같다. 그리고 각 단계별 수업의 흐름은 Fig. 2에 제시하였다.
Table 1. The stage and the behavioral attribute in chemical classes applied to AI classification
Figure 2. The flowchart of the chemistry class based on the AI classification model.
화학의 첫걸음과 관련된 1~3차시에는 고등학교 화학 I에서 화학과 관련된 식량, 의복, 주거 문제해결의 개념을 1~2차시에 걸쳐 학습한 후 3차시에서 MLFK의 텍스트 AI을 활용한 수업을 진행하였다. 식량, 의복, 주거문제와 관련한 단어를 조별로 10개~15개 정도를 AI 데이터로 학습시킨 뒤 스크래치 블록코딩을 통해 단어를 입력하면 몇%의 정확도로 식량, 의복, 주거문제를 구분할 수 있는지 AI 분류 모델을 이용한 활동을 Fig. 3와 같이 수행하였다.
Figure 3. Block coding for text recognition using MLFK.
생활 속의 탄소 화합물과 관련된 4~6차시에는 다양한 탄소화합물의 종류에는 어떤 것들이 있는지 4~5차시에 걸쳐 학습한 뒤 6차시에서 mBLOCK의 이미지 인식 AI 기능을 활용하여 AI 분류 모델 수업을 진행하였다. 화학Ⅰ 교과서에 나오는 탄소화합물 5가지 중 3가지를 선정한 후 각각 20장 이상의 이미지를 학습시켜 AI데이터를 학습시켰다. 이후 블록코딩 프로그래밍을 활용하여 Fig. 4과 같이 완성하였다.
Figure 4. Sprite block coding and device block coding.
이미지 AI을 통해 학습시킨 탄소화합물 3가지를 Fig. 5와 같이 RGB LED센서를 활용하여 색깔로 구분하는 블록코딩 및 피지컬 컴퓨팅 과정까지 수행하는 활동을 수행하였다.
Figure 5. Maker activity for validating AI classification.
정리하자면, 본 수업은 고등학교 2학년 1학기 화학 I에서 학습하는 화학의 첫걸음 단원의 ‘화학의 유용성’, ‘탄소화합물의 유용성’을 AI 교육 영역과 연계하여 화학이 식량 문제, 의류 문제, 주거 문제 해결에 기여한 사례, 탄소화합물이 일상생활에 유용하게 활용되는 사례를 탐색하고 AI 분류 모델 기반 메이킹의 기본을 학습할 수 있는 ASKMB모형에 적용하여 프로그램을 구성하고 그 과정에서 Fig. 6과 같은 산출물을 얻었다. 프로그램 개발, 적용 및 산출물에 대한 해석과정의 연구 전반에 대하여 과학 교육전문가 3인, 컴퓨터 교육 전문가 2인으로 구성된 여러 차례의 세미나를 통해 수업 세부 활동의 타당도를 검토하고 이를 수정·보완하였다.
Figure 6. Example for each step of the chemistry class based on ASKMB.
AI 분류 모델 기반 화학 I 수업 적용
연구 대상 및 적용 절차
경북 D 고등학교의 2023년 1학기 화학 I 수업을 수강하는 학생 42명(남: 42명)을 대상으로 진행하였다. 화학Ⅰ수업은 고등학교 1학년 때 학습한 통합과학의 내용을 확장하여 물질 및 자연 현상에 대한 호기심과 흥미를 가지고 화학의 핵심 개념에 대한 이해와 탐구 능력의 함양을 통하여 개인과 사회의 문제를 과학적이고 창의적으로 해결하기 위한 과학적 소양을 기르기 위한 과목이다. 때문에 통합과학을 학습한 고등학교 2학년 학생들이 이해할 수 있는 난이도의 화학 개념을 기반으로 AI 분류 모델에 기반한 수업을 개발하여 적용하였다. 학생들은 AI와 관련된 간단한 기본개념만 알고 있는 상태이고, 교내 동아리 혹은 공동교육과정으로 AI와 관련된 수업을 들은 학생 1명이 있었다.
3월 셋째 주부터 넷째 주까지 총 2주 동안 AI 분류 모델기반 수업을 수행하였다. 활동에 대한 안내는 3월 둘째 주에 진행되었고, 수업 전 설문 또한 이 시기에 진행이 되었다. 전체 수업은 학생들이 직접 참여하여 블록코딩을 수행할 수 있도록 자유로운 분위기를 조성하여 스스로 AI 분류 모델을 만들어보고 메이킹 활동을 할 수 있도록 하였다. 수업은 크게 2가지 수업으로 이루어졌는데, 첫 번째 수업은 MLFK와 스크래치를 이용한 텍스트 AI 분류 모델, 두 번째 수업은 mBLOCK과 아두이노, RGB LED 센서를 이용한 이미지 AI 분류모델 및 피지컬 메이킹 활동으로 제시하였다. AI 분류 활동을 통한 학생들의 변화를 분석하기 위해 학생들의 수업 전-후의 설문조사 및 음성녹음 파일을 분석하였다. 42명의 학생들 중 일부를 제외하고는 AI 분류 모델에 대한 경험이 없으므로 AI과 관련된 기본 개념을 활동지를 통해 알려준 뒤 수업이 이루어졌다. 기본 개념은 MLFK, 스크래치, mBLOCK, 아두이노 및 센서에 대한 내용으로 구성되었으며 학생들은 수업 전 개념설명을 들으며 관련 내용을 익혔다.
자료 수집 및 분석
연구의 타당도와 신뢰도를 높이기 위해 양적 연구 뿐만 아니라 질적 연구를 동시에 수행하였다. 자료 수집을 위해 프로그램을 적용하기 전 학생들에게 연구의 목적, 자료의 수집에 대해 안내하였고 동의를 얻었다. 활용할 자료는 참여 관찰, 활동 대화 녹음, 산출물 분석, 수업 전-후 설문지 등의 방법으로 수집하였다. 저자 중 1명은 교사이자 프로그램 적용자로서 관찰자 및 도움을 주는 조력자로서 학생들의 AI 분류 모델 만들기 활동을 도와주면서 학생들이 연구자를 의식하지 않도록 탐구활동이나 블록코딩 활동에 최소한의 개입을 하였으며, 학생들에게 조별 활동을 통해 스스로 의문점을 최대한 해결해 나갈 수 있도록 안내했다. 조별 활동 후 제작되는 산출물은 수업 전중 후에 학생들의 관찰일지를 분석하고, 설문지는 수업 전, 그리고 수업이 모두 끝난 후 개별로 작성하도록 하였다. 학생들에게 설문지는 한 번호로 일률적으로 기입하지 않도록 하였으며, 리커트 5점 척도를 활용하여 양적분석을 실시하였다. 양적분석은 대응표본 t검정을 통해 의미한 분석 자료인지, 아닌지를 파악한 뒤 AI 분류 모델 기반 프로그램이 학생들의 인식 변화에 유의미한 영향을 미쳤는지 분석하도록 하였다. 검사 도구 및 분석방법은 타당도와 신뢰도를 확보하기 위해 과학 교육 전문가 1인과 과학 교육 박사 과정 1인, 석사 과정 3인의 전문가 자문을 받아 구성하였다. 본 연구에서는 AI 분류 모델 기반 화학 I 수업에 대한 고등학생들의 효능감의 측면에서 다음과 같이 분석하였다. 학생들의 자기효능감 변화를 화학 개념 형성 측면에서는 ASKMB모델의 K(지식)와 관련하여 분석하였고, 추가로 B(인성), M(AI 분류 모델 기반 메이킹)의 변화를 살펴보기 위하여 다음과 같은 검사 도구를 활용하였다.
K(지식) 검사도구. 화학 개념 형성에 대한 자기효능감 분석과 관련된 문항은 교육과정 분석을 통해 화학의 첫걸음에 나오는 식량, 의복, 주거문제, 탄소화합물에 대한 문항으로 구성하였다. 프로그램을 적용하기 전 5점 리커트척도로 구성된 5 문항으로 조사하였다. 문항의 내용은 “탄소 화합물이 무엇인지 알고 있는가?”와 같이 구체적인 사전-사후 화학지식에 대한 인식 변화를 조사한 5개의 문항으로 검사도구는 구성되었다. 검사도구를 구성한 각 문항들에 대하여 화학교육 전문가 2인으로부터 내용의 적합성을 점검 받았다. 그리고 이러한 화학 개념 형성에 대한 자기효능감의 변화에서 본 수업이 준 영향을 확인하기 위하여 서술형 문항을 추가로 학생들에게 제공하였다. 수업 적용 후, “MLFK와 스크래치를 활용한 분류관련 블록코딩이 의식주 문제 해결에 기여한 화학에 어떤 것이 있는지를 이해하는데 어떤 영향을 주었는가?”와 같은 서술형 문항을 추가하였다. 설문 결과를 분석함으로써, 본 AI 분류 모델 기반 메이킹이 화학 개념 형성에 대한 자기효능감에 어떠한 영향을 주었는지 확인하고자 하였다. 수집된 자료의 분석을 위하여 Window용 SPSS 25.0을 사용하여 사전-사후 검사 점수에 대한 대응표본 t-검정을 실시하였다. 이에 대한 결과로서, 학생들의 응답 평균(M)과 표준편차(SD)를 함께 제시하였고, 검사도구의 신뢰도는 사전-사후 각각 0.930, 0.928로 나타났다.
B(인성) 검사도구. ‘B(인성)’ 검사도구는 이성혜(2020)의 AI 가치 인식 검사도구를 사용하였다. AI 가치 인식 검사도구는 AI에 대한 이해, 필요성, 편리성에 대한 인식과 AI 수업 선호도를 묻는 6문항으로 구성되었다. 이성혜(2020)는 중학생을 대상으로 AI 교육 프로그램을 진행하고 AI 가치 인식 변화를 물었기 때문에,29 AI 분류 모델 기반 메이킹이 적용된 본 화학 수업에서 인성 요소인 AI 활용에 대한 가치의 변화를 파악하기에 적합한 문항이라고 판단되었다. 또한 본 연구는 수업을 통한 학생들의 가치 변화에 중점을 두는 것이 보다 타당하다고 보기에 질문의 관점을 보다 세밀하게 ‘AI의 이해, AI 교과 수업 적용, AI 연계 수업 선호도, AI 활용 수업의 효용’을 묻는 4문항과 ‘AI를 활용한 수업에 지속적인 참여 가능성’을 묻는 2문항으로 AI 분류 모델 기반 화학 수업을 적용하기 전과 후에 5점 리커트 척도로 조사하였다. AI 교과 수업 적용에 대한 문항은 “AI이 교과 수업에 활용된다면 좋을 것이다”와 같이 질문하였고, AI를 활용한 수업에 대한 지속적 참여를 질문하는 문항의 경우에는 “기회가 된다면 AI를 활용한 수업을 수강할 것인가?”로 조사하였다. 수집된 자료의 분석을 위하여 Window용 SPSS 25.0을 사용하여 사전-사후 검사 점수에 대한 대응표본 t-검정을 실시하였다. 이에 대한 결과로서, 고등학생들의 응답 평균(M)과 표준편차(SD)를 함께 제시하였고, 검사도구의 신뢰도는 사전-사후 각각 0.930, 0.928로 나타났다.
M(AI 분류 모델 기반 메이킹) 검사도구. AI 기반 메이킹 역량의 변화와 관련한 문항은 AI 및 피지컬 컴퓨팅 능력, AI 프로그램 사용능력에 대한 인식을 묻는 문항이다. 검사를 위하여, 이 연구에서는 Long & Magerko(2020)의 문항을 사용하였다.38 이 검사 도구는 AI 역량에 대하여 자신의 분야에서 AI를 효과적·비판적으로 도입 및 사용할 수 있는 리터러시라고 보고 있다. 이에 Long & Magerko(2020)은 ‘AI는 무엇인가?’, ‘AI는 어떻게 작동하는가?’, ‘AI가 할 수 있는 일은 무엇인가?’, ‘AI는 어떻게 활용되어야 하는가?’, ‘사람들은 AI를 어떻게 인식하는가?’와 같은 5가지 주제에 대하여 적게는 1개에서 많게는 9개의 영역으로 나누어 총 17가지의 영역의 5단계 리커트 척도로 묻는 질문들로 구성하였다. 본 연구자들은 이러한 역량을 자가설문으로 확인하기 어렵다고 판단하였기 때문에, 검사도구를 이 해당내용에 대한 학생들의 자기효능감을 묻는 문항으로 수정 보완하였다. 따라서 이 연구에서는 ‘AI는 어떻게 작동하는가’에 대한 주제에 해당하는 5가지 영역의 문항 중 본 연구와 관련되어 있는 머신러닝에 대한 이해를 물어보는 8개 문항을 발췌·수정하여 사용하였다. 머신러닝과 관련되면서 메이킹과 연관된 문항을 선별하여 정선한 결과, 학생들에게 적용된 최종문항은 AI 및 피지컬 컴퓨팅 능력 6문항, AI 프로그램 사용능력 2문항으로 구성하였다. 최종 검사 문항은 “AI를 활용한 머신러닝 프로그램을 사용할 수 있는가?”와 같이 AI 및 피지컬 컴퓨팅 능력에 대하여 질문하거나, “프로그램을 활용한 블록코딩을 작성해 낼 수 있는가?”와 같이 AI 프로그램을 사용할 수 있는지를 묻는 내용으로 구성하였다. 이 설문 문항들은 컴퓨터 교육 전문가 2인으로부터 번역의 적절성과 내용의 적합성을 점검 받았고 수집된 자료의 분석을 위하여 Window용 SPSS 25.0을사용하여사전-사후검사점수에대한대응표본 t-검정을 실시하였다. 이에 대한 결과로서, 고등학생들의 인식에 대한 평균(M)과 표준편차(SD)를 함께 제시하였고, 검사 도구의 신뢰도는 사전-사후 각각 0.804, 0.808로 나타났다.
연구결과 및 논의
AI 분류 모델 기반 화학 I 수업의 효과
AI 기반 고등 화학 수업 프로그램이 ASKMB의 3가지 요소에 대한 학생들의 자기효능감 변화를 확인하였다. 3가지 구성 요소인 화학 개념 형성, AI 가치 인식, 그리고 AI 기반 메이킹 역량에서 자기효능감 변화를 분석한 결과는 Table 2과 같다.
Table 2. The results of the paired sample t-test on three elements from the perspective of self-efficacy
*p < .05, **p < .001, ***p < .0001
제시된 바와 같이 본 프로그램을 고등학교 화학 수업에 투입한 후 학생들의 자기효능감 측면에서 화학 개념 형성, AI 가치 인식, AI 분류 모델 기반 메이킹 역량 모두 프로그램 투입 전에 비하여 모두 유의미한 향상을 가져왔다. 화학 개념 형성에 대한 자기효능감 측면에서 사전 평가(Mean=3.53)와 사후 평가(Mean=4.23) 간에 통계적으로 유의한 차이가 확인되었고(t=-5.115, p<.001), AI 가치 인식 부분에서도 사전 평가(Mean=3.62)와 사후 평가(Mean=4.12)간에도 유의한 차이가 있었다(t=-5.523, p<.001). 마지막으로 AI 분류 모델 기반 메이킹 역량에서도 사전 평가(Mean=2.47)와 사후 평가(Mean=4.23) 간에 통계적으로 유의한 변화가 나타났다(t=-8.356, p<.001). 각 검사도구를 활용한 수업 분석 결과를 토대로, 학생들의 프로그램에 대한 인식을 학생들의 자유 기술을 근거로 더 심도 있게 설명하고자 한다.
화학 개념에 대한 자기효능감 변화
화학 개념 형성에 미치는 자기효능감에 대한 효과 분석과 관련된 문항은 화학의 첫걸음에 나오는 식량, 의복, 주거문제, 탄소화합물 문항이다. 이를 위해, AI 분류 모델 기반 교수학습 프로그램 적용하기 전과 후에 5점 리커트 척도의 5문항으로 조사하였다.
문항의 세부 내용은 고등 화학 수업에서 화학의 첫걸음에 나오는 학습 주제인 ‘식량, 의복, 주거와 관련된 화학의 유용성’부분과 ‘탄소화합물의 유용성’으로 구분할 수 있었다. 이 소재를 통해 AI 분류모델 기반 화학 I 수업이 각 화학 개념 형성에 대한 자기효능감의 변화를 알아보았다. Table 3에는 텍스트 분류 모델 및 이미지 분류 모델로 인한 전반적인 변화를 제시하지 않았으나, AI 분류모델 중 텍스트 분류 모델을 활용하여 화학수업을 진행한 화학의 유용성(식량, 의복, 주거 문제해결) 개념에 대한 학생들의 자기효능감이 수업 투입 전 평균은 3.56(.98)에서 프로그램 투입 후에 4.25(.82)로 향상되었으며 t(41)=-4.146 p=.000로 유의미한 효과가 있었다. 둘째로, AI 분류 모델 중 이미지 분류 모델을 활용하여 수업을 진행한 탄소화합물의 유용성 개념에 대한 학생들의 자기효능감은 수업 투입 전 평균이 3.58(.99)에서 프로그램 투입 후에 4.26(.76)로 향상되었으며 t(41)=-4.233 p=.000로 유의미한 효과가 있었다. AI 분류 모델에 따른 두 가지 영역의 화학 개념 형성에서 학생들의 자기효능감에 대한 세부적인 효과는 Table 3와 같다.
Table 3. The result of the paired sample t-test on concept formation based on the AI classification model
*p < .05, **p < .001, *** p < .0001
구체적으로 검사 영역별 분석결과를 살펴보면 AI 텍스트 분류모델을 사용하여 화학 개념을 학습한 화학의 유용성 부분에서 식량 및 의복, 그리고 주거에 대한 화학의 기여에 대한 화학 개념이 p<.0001 수준에서 유의하게 증가하였다. 이를 통해 AI 텍스트 분류 모델을 사용하여 화학의 유용성을 학습한 결과가 학생들의 화학 개념 형성에 대한 자기효능감 변화에 효과적이었음을 알 수 있었다. 이는 추가로 조사했던 서술형 문항에서도 확인할 수 있었다. “MLFK와 스크래치를 활용한 분류관련 블록코딩이 의식주 문제 해결에 기여한 화학에 어떤 것이 있는지를 이해하는데 어떤 영향을 주었는가?”의 서술형 문항에 학생들은 의식주 문제해결에 기여한 화학의 유용성에 대하여 텍스트 분류 모델을 적용함으로써 의식주 문제해결에 기여한 화학관련 단어들을 AI을 활용하여 분류함으로써 이해가 잘 되었다고 언급하였다(예 1).
(예 1)
답변1: 의식주 문제 해결에 기여한 화학과 관련된 단어들을 인공지능을 활용하여 분류함으로써 이해가 잘 되었고, 블록코딩 또한 잘하게 되었다.
답변2: 의식주 안에 있는 다양한 탄소 화합물들이 의식주를 어떻게 해결하였는지 알 수 있었다. MLFK를 통해 분류를 할 수 있었고 스크래치를 통해 코딩을 잘 할 수 있었다.
두번째, AI 이미지 분류 모델을 사용하여 화학 개념을 학습한 탄소화합물의 유용성 부분에서 탄소화합물의 개념 및 사례에서 학생들의 화학 개념에 대한 자기효능감이 p<.001 수준에서 유의하게 증가하였다. AI 이미지 분류모델을 사용하여 학생들이 탄소화합물의 구조를 만드는 모델을 만들어보고 학습시킨 AI 이미지 분류모델이 피지컬 컴퓨팅으로 시현되도록 하는 과정에서 학생들이 탄소화합물에 대하여 학습한 결과가 학생들의 화학 개념 형성에 대한 자기 효능감이 상승하였음을 알 수 있었다. 이는 추가로 조사했던 서술형 문항에서도 확인할 수 있었다. “아두이노와 mBLOCK을 활용한 센서 연결과 블록코딩이 생활 속의 탄소 화합물은 어떤 것이 있는지를 이해하는데 어떤 영향을 주었는가?”의 서술형 문항에서 학생들은 ‘새로운 프로그램(모델링 과정)의 적용으로 메테인, 에탄올, 폼알데하이드 등 생활 속 탄소화합물의 구조를 더 정확하게 분류하였고 학습이 재미있었다’는 답변을 보여주며 AI 이미지 분류모델을 메이킹에 접목한 활동을 통해 생활 속 탄소 화합물에 대한 이해도가 높아졌음을 알 수 있었다(예 2).
(예 2)
답변3:이번 수업을 통해 화합물을 구조식으로 인식시킨 뒤 색깔로 분류함으로써 탄소화합물에 대한 이해가 더욱 잘 되었다.
답변11: 블록코딩을 할 때 메테인, 에탄올, 폼알데하이드를 각각 구분하였고⋯. 새로운 방식으로 프로그램을 만들어보며 화합물을 더 정확하게 분류할 수 있었고, 이런 프로그래밍이 화학 학습을 더 재미있게 만들었다.
본 수업을 통해 학생들이 직접적으로 AI 분류 모델을 다뤄가며 화학 개념을 탐구함으로써, 화학 개념 형성에 대한 자기효능감 측면에 그치지 않고, 화학이나 AI에 대한 사전에 형성된 부정적 인식을 개선하고 이에 대한 진입장벽을 낮춰, 화학 및 AI 뿐만 아니라 과학과 공학 분야에 대한 친밀도를 높일 수 있었다. 더불어, 메이킹 활동에서는 작동 가능한 산출물을 얻기 위해 코딩 로직과 알고리즘이 필요하기에,21,35,39 AI 분류 모델 기반 메이킹 활동에서는 화학 개념이 로직과 알고리즘으로 적용되어, 학생들의 지식이 깊이 있게 확장될 수 있도록 유도되었다.38 궁극적으로, 이러한 수업을 통해 화학 지식과 AI 활용 능력을 융합하여 학생들의 화학 개념 형성에 대한 효능감 측면에 효과적으로 기여하고 있음을 확인할 수 있었다.
AI 가치 인식에 미치는 효과
본 수업을 통해 고등학생들이 인식하는 AI 가치에 대한 사전-사후 대응 표본 t-검정 결과는 Table 4과 같다. ASKMB 모형에서 인성에 해당하는 AI 가치 인식은 ‘AI의 수업 활용에 대한 흥미’를 묻는 4문항, ‘AI를 활용한 수업에 지속적인 참여 가능성’을 묻는 2문항으로 구성되었다. Table 4에는 ‘AI의 수업 활용에 대한 흥미’ 및 ‘지속적 참여 가능성’의 전반적인 변화를 제시하지 않았으나, ‘AI의 수업 활용에 대한 흥미’는 프로그램 투입 전 평균이 3.66(.49)에서 프로그램 투입 후에 4.04(.52)로 향상되었으며 t(41)=-5.372 p=.000의 유의미한 효과가 있었다. ‘AI를 활용한 수업에 지속적인 참여 가능성’에서도 사전 평균은 3.57(1.00)에서 사후에 4.19(.82)로 향상되었고 t(41)=-4.301 p=.000로 그 효과도 유의미함을 확인할 수 있었다.
Table 4. The result of paired sample t-test on AI value perception
*p < .05, **p < .001, ***p < .0001
Table 4에 제시된 바와 같이, AI 분류 모델을 활용한 화학Ⅰ 수업을 통해 학생들의 수업에 대한 흥미가 AI 이해, AI 교과 수업 적용, AI 연계 수업 선호도, 그리고 AI 활용 수업의 유익성 측면의 모든 문항에서 p<.001 수준에서 유의하게 증가하였다. 이를 통해 본 수업은 학생들에게 AI의 가치 인식 측면에서 효과가 있었음을 확인할 수 있었다. 학생들의 서술형 응답에서도 이러한 결과를 확인할 수 있었다(예 3).
특히, AI에 대해 잘 알지 못했던 학생들조차도 난이도가 높지 않았던 본 탐구 주제를 통해 코딩을 통한 화학공부에 대한 흥미를 도출하였다는 진술이 교과 지식의 학습 동기를 자극하였음을 확인하였다(답변7). 또한, 블록코딩을 활용한 AI 교육과정에 참여하면서 동료들과 많은 소통의 기회가 주어진 것에 대한 긍정적인 감정을 드러내기도 하였다(답변6).
(예 3)
답변7: 컴퓨터 코딩으로 화학을 공부하니 더 재미있었고 수업에도 좀 더 흥미를 느꼈다.
답변6:블록 코딩에 대해 더 자세히 알게 되었고, 친구들과 더 많은 소통을 할 수 있게 된 수업이라 정말 유익하다.
추가로, AI 연계 수업에 대한 지속적 참여 의향을 묻는 문항에서 학생들은 추후 수업 참여 및 심화 수업 참여에 대한 문항 들에서 p<.001 수준에서 모두 유의하게 증가하였다. 학생들은 수업을 시작하기 전에는 AI에 대해 뉴스기사나 교과서에 나오는 수준의 인식을 가지고 있는 상태였기 때문에 AI를 사용한 프로그래밍을 거의 접해보지 못했다. 따라서 스크래치와 mBLOCK을 활용한 블록 코딩 프로그래밍을 접해본 뒤에는 프로그래밍을 어느 정도 할 수 있다는 자신감이 생겨 유의미한 변화를 보인 것으로 해석해 볼 수 있을 것이다. 또한, 프로그래밍의 정도의 차이는 있겠지만 아무것도 하지 못하는 상태에서 블록 코딩이나 AI를 활용한 분류를 해 보며 학생들이 많은 자신감을 가지게 된 것이라고 추측할 수 있었다. 때문에, 현재 교육과정 내에서는 AI를 사용한 교과 수업이 없지만 추후 학생들의 참여도를 알아볼 수 있는 문항 들에서 긍정적인 변화를 나타낸 것이다. 학생들이 AI를 활용한 수업으로 텍스트 AI과 이미지 AI을 활용한 아두이노 RGB LED 센서를 경험한 뒤 지속적 참여 가능성에 대한 설문에서 유의미한 수치가 나왔듯이, AI를 활용한 수업을 수강할 것인지에 대해서도 유의미한 수치가 나왔다. 또한 '한 번도 해보지 않았던 블록 코딩을 친구들과 같이 협력하여 해보는 것이 재미있었고 다음에도 이런 기회가 생기면 다시 참여해보고 싶다'는 학생의 서술형 문항의 답변에서 이를 다시 확인할 수 있었다. 이를 통해 학생들은 AI를 활용한 수업을 긍정적으로 생각하고 교과 수업에 적용되더라도 적극적으로 참여할 의사가 있다고 해석해 볼 수 있을 것이다.
종합적으로 사전-사후 AI 일반 가치 변화 효과 분석 결과, 총 6문항 모두 유의미하다는 결과가 나왔기에 학생들의 AI 일반 가치 변화에는 긍정적인 영향을 미쳤다고 해석해 볼 수 있다. 특히, 인성 및 태도 측면에서 AI 활용에 대한 효능감은 학교 현장에서 AI 활용 교육에 대한 저항감을 낮추는 데 유의미한 상관이 있으므로,18,19,41 화학 수업에서 AI 활용에 대한 학생들의 효능감이 높은 수준에서 계속 유지되는 것은 중요한 의미를 지닐 것이다.
AI 분류 모델 기반 메이킹 역량에 미치는 효과
고등학생들이 인식하는 AI 기반 메이킹 역량에 대한 사전-사후 대응 표본 t-검정 결과는 Table 5과 같다. ASKMB 모형에서 모델링에 해당하는 AI 기반 메이킹 역량은 학생들에게 ‘AI 및 피지컬 컴퓨팅능력’을 묻는 6문항과 ‘AI 프로그램 사용능력’을 묻는 2문항으로 구성되었다. Table 5에의 ‘AI 및 피지컬 컴퓨팅능력’는 프로그램 투입 전 평균이 2.44(1.10)에서 프로그램 투입 후에 3.87(.82)로 향상되었으며 t(41)=-6.533 p=.000의 유의미한 효과가 있었다. ‘AI 프로그램 사용능력’에서도 사전 평균은 2.57(1.00)에서 사후에 3.75(.82)로 향상되었고 t(41)=-4.301 p=.000로 그 효과도 유의미함을 확인할 수 있었다. 다만, 타 영역의 자기효능감 검사도구와 다른 점은 AI 기반 메이킹 역량에 대한 학생들의 자기효능감이 사전에 유난히 낮았다는 것이다. 이에 대한 세부 내용은 아래와 같다(Table 5).
Table 5. The result of paired sample t-test on AI-integrated making
*p < .05, **p < .001, ***p < .0001
세부 문항별로 결과를 살펴보면, 첫 번째로 “블록 코딩” 문항에서는 사전-사후 검사 점수의 평균이 3.26(1.38)에서 3.93(0.86) 로 상승하였고, 이 값은 통계적으로 t=-3.560, p=.001 수준에서 유의미한 차이를 보였다. 이와 같은 양상은 “머신러닝 프로그램 사용 가능 여부”, “텍스트 인식 AI 사용 가능 여부”, “이미지 인식 AI 사용 가능 여부”, “아두이노 및 브레드보드 사용 가능 여부”, “RGB LED 센서 사용 가능 여부”, “AI를 사용한 프로그래밍 작성 가능 여부”, “프로그램을 활용한 블록 코딩 작성 가능 여부”에 대한 문항에서도 나타나며, 모두 p=.000 수준에서 통계적으로 유의미한 변화를 보였다.
구체적으로 살펴보면, 블록 코딩 능력의 사전-사후 검사가 통계적으로 유의미한 향상으로 나타난 것은 학생들이 스크래치와 mBLOCK을 통해 블록 코딩을 활용하면서 화합물을 정확히 분류하고 새로운 프로그래밍 방식을 실험하였기 때문이다. 이러한 현상은 수업이 블록 코딩의 활용성과 재미를 강조하며, 학생들의 프로그래밍에 대한 자신감을 향상시켰기 때문으로 보인다(예 4).
(예 4)
“블록코딩을 할 때 메테인, 에탄올, 폼알데하이드를 각각 구분하였고… 새로운 방식으로 프로그램을 만들어 보며 화합물을 더 정확하게 분류할 수 있었고, 이런 프로그래밍이 화학 학습을 더 재미있게 만들었다.”
또한, 머신러닝, 텍스트 인식 AI 및 이미지 인식 AI 활용 능력에 대한 자기효능감이 사전-사후 검사 결과에서 통계적으로 유의미한 향상으로 나타났다. 이것은 초기에 학생들이 텍스트 인식 AI에 대한 이해 부족으로 낮은 사전점수가 나타났고, 머신러닝 및 이미지 인식 AI 사용 능력도 초기에는 제한적이었다. 그러나 수업을 통해 학생들은 텍스트 분류, 이미지 분류 등에 대한 기초적인 머신러닝 원리를 이해하고 활용하는 경험이 증가하면서 이에 대한 자기효능감도 향상되었다. 이는 서술형 응답에서 학생들이 실제 화합물 이미지를 분류하고 프로그램을 작성하는 경험을 통해 AI 능력이 증가한 것을 언급한 것으로도 확인할 수 있었다(예 5).
(예 5)
“머신러닝포키즈와 스크래치를 통해 분류 블록코딩을 잘 할 수있었고, 텍스트 인식 AI를 사용하면서 실제 알고리즘의 복잡성을 이해했습니다.”
추가로, 활용단계에서 텍스트 인식 AI와 이미지 인식 AI를 사용한 경험을 통해 자신의 역량변화를 점검하는 서술형 질문으로 ‘본인이 작성한 수업 전 작성한 알고리즘과 실제로 알고리즘(스크래치, mBLOCK)을 비교하면 어떤 차이점이 있는가?’라고 질문하였다. 탐구과정에서의 경험을 구체적으로 묻는 이 문항에서 자신이 예상했던 것과 다른 알고리즘이 필요하다는 것을 학생들이 직접 경험하면서 수업에서의 활동을 통해 어떻게 AI와 블록 코딩에 대한 이해와 경험을 쌓았는지를 나타내었다(예 6). 알고리즘의 존재 여부에 대한 차이를 지적하는 경우도 있었다(답변9). 또한 화학학습에서 머신러닝을 사용하면서 학습에 대한 흥미(답변10)를 얻었다고 진술하였다.
(예 6)
답변9: mBLOCK과 센서를 활용한 블록코딩으로 메테인, 에탄올, 아세트산을 정확하게 분류하였다. 컴퓨터 내에 오브젝트만 신경쓰고 알고리즘을 구성하여 장치에 대한 알고리즘은 없었다. 따라서 알고리즘 유무의 차이가 있었다.
답변10: 내가 설계한 알고리즘과 다르게 더 복잡하고 체계적으로 알고리즘이 설계된 것을 알게 되었고 코딩으로 화학을 배우는 것이 재밌었다.
아두이노 및 RGB LED 센서, 피지컬 컴퓨팅 능력에 대한 사전-사후 자기효능감 검사에서도 통계적으로 유의미한 향상을 나타냈다. 특히, 아두이노 및 RGB LED 센서 사용 능력에 대한 인식은 피지컬 컴퓨팅 능력을 나타내는 중요한 부분으로 나타났다(예 7). 수업을 통해 학생들은 아두이노 및 브레드보드를 사용하고 RGB LED 센서로 화합물을 분류하는 활동을 진행하였다. 이를 통해 물리적 컴퓨팅에 대한 이해가 향상되었고, RGB LED 센서를 다루는 능력이 향상되었다고 인식한 것으로 보인다(답변 12). 특히, RGB LED 센서는 붉은색, 초록색, 파란색으로 불이 들어오는 것을 눈으로 확인할 수 있기 때문에 학생들이 RGB LED 센서에 불이 들어오는 것을 보고 사용할 수 있다고 생각하면서 자신의 모델링 역량에 대한 인식이 유의미한 변화를 보인 것으로 해석하였다(답변13).
(예 7)
답변12: 아두이노와 브레드보드를 다루는 법을 배워 회로를 구성하고, RGB LED 센서를 사용하여 화합물을 분류하는 것이 흥미로웠습니다.
답변13: 아세트산을 빨간색, 에탄올을 초록색, 아세톤을 파란색 LED로 설정하여 화합물을 정확하게 분류해낼 수 있었다.
마지막으로 AI를 사용한 프로그래밍 및 블록 코딩의 프로그래밍 능력에 대한 인식 또한 유의미한 향상을 보였다. 텍스트 AI 및 이미지 AI을 활용하여 프로그래밍을 진행하고, 내재된 프로그래밍을 통해 머신러닝의 기본 개념을 이해하는 경험을 하였다. 특히, 수업에서 사용된 프로그래밍은 내재된 프로그래밍이었기 때문에 학생들의 활동에 큰 어려움이 없었기 때문에 학생들의 사전-사후 설문조사 결과가 유의미한 변화가 나타났다고 해석된다. 또한, 학생들은 블록 코딩을 스크래치와 mBLOCK을 통해 다양하게 활용하면서 창의적인 화합물 분류 방식을 구사하였다. 때문에 AI를 사용한 프로그램능력에 대한 사전 검사에 비하여 블록코딩에 대한 사전 자기효능감은 상대적으로 2.714라는 높은 수치를 보여주었다. 이는 초등학교, 중학교에서 스크래치, 엔트리 등과 같은 블록코딩을 어느 정도 학습하고 오는 학생들이 많기 때문이라고 생각된다. 그럼에도 본 수업이후 유의미한 효과로 자신의 프로그래밍능력을 긍정적으로 해석하고 있음을 알 수 있었다(예 8).
(예 8)
“MLFK로 텍스트 프로그래밍을 시도해보니 머신러닝의 기본 원리를 이해할 수 있었고, 스크래치와 mBLOCK을 사용한 블록 코딩은 창의적인 방식으로 화합물을 분류할 수 있었습니다.”
종합적으로, AI 분류 모델 기반 메이킹 역량의 변화는 사전-사후 설문 수치에서 가장 두드러지게 나타나며, 이는 AI 기술을 직접 학습하고 경험하기 어려운 초기 상황에서 수업 이후에 학생들에게 상당한 도움이 되었을 것으로 판단되었다. 학생들의 심층적인 응답을 통해 AI를 활용한 수업이 학생들이 인식하는 AI 기술 가치 변화에 큰 도움을 주었으며, 더 나아가 AI를 더욱 잘 다룰 수 있는 능력을 키우는 계기가 되었음을 확인할 수 있었다. 이와 유사한 결과는 메이커 수업을 통한 주체적인 문제해결 과정을 경험하면서 학습의 주도성이 학습자에게 이양되는 모습으로, Yeo et al.(2021)의 선행 연구에서도 확인되었다.40 결국 본 연구는 AI 연계 메이커 교육 뿐만 아니라 과학교육이 추구하는 교육적 가치와 일치한다고 볼 수 있다.21,32,35,39 더불어, AI 및 피지컬 컴퓨팅 능력, AI 프로그램 사용 능력 측면에서 모두에서 학생들이 의미 있는 변화를 보인 것은 AI를 활용한 수업이 학생들의 AI 기반 메이킹 역량에 대한 자기효능감 변화를 전반적으로 촉진하고 관련된 능력을 향상시킬 수 있다는 증거로 해석된다.
결론 및 제언
본 연구는 다양한 AI의 기능 중 분류 모델을 기반으로 AI 교육이 정규 교육과정에 반영될 수 있도록 화학 교육에 적용하여 실현 가능성과 학생들의 자기효능감의 변화를 파악하고자 하였다. 이를 위해 텍스트 및 이미지를 활용한 AI 분류 모델 기반 교수학습 프로그램을 개발 및 적용하여 학생들의 인식변화를 분석하고 그 결과를 확인하였다. 총 19문항의 사전-사후 설문지를 통해 학생들의 화학 개념 형성, AI 가치, AI 기반 메이킹 역량의 자아효능감 변화를 분석하였다. 우선, 지식 측면에서 텍스트 및 이미지 분류 모델 기반의 화학 수업 과정에서 학생들이 화학 개념을 이해하고 적용하면서 화학 개념 형성에 대한 자신의 능력에 대하여 긍정적 인식을 갖게 되었다. 즉, AI를 활용한 프로그램 도입은 학생들의 화학 지식 습득에 대한 자기효능감에 도움이 되었으며, 화학 수업의 유용성에 대한 이해도를 높였다. 둘째로, 인성 측면에서 학생들이 본 수업에 참여하며 AI를 다루는 경험은 학생들의 AI 가치 인식 및 흥미를 증진시켰다. 학생들은 AI에 대한 긍정적 태도를 형성하며, 이는 지속적인 학습 참여 가능성을 제시한 것으로 보인다. 마지막 모델링 측면에서 AI 기반 메이킹 활동은 학생들의 AI 및 피지컬 컴퓨팅 능력에 대한 자기효능감을 향상시켰다. 뿐만 아니라, 직접적인 AI 활용을 통해 화학 개념에 대한 깊은 학습 과정이 이뤄지도록 지원하였다. 이에 본 연구의 의의는 다음과 같다.
우리나라의 과학 교육과정은 주로 학생들의 종합적인 성장을 고려하여 구성되어 있으며, 이는 지식 이해, 가치태도, 기능 측면의 세 가지 요소를 기본으로 한다. 본 연구에서는 정규 교육과정에서 이루어지는 수업을 통해 학생들의 성장과 발달을 측정하기 위해 지식(K: 화학 개념 형성), 인성(B: AI 가치 이해), 모델링(AI 분류 모델 기반 메이킹 역량)의 세 가지 요소를 토대로 구성된 AI 분류 모델기반 화학 수업을 적용하였다. 때문에, AI 교과융합 화학수업을 개발하고 그 효과를 분석할 때도 본 모델에 적용한 세 가지 구성 요소를 기반으로 분석하여, 교과-AI 융합 수업이 정규 교육과정에 효과적으로 통합될 수 있는 방안을 도출했다는 점에서 상당한 가치를 지닌다. 이는 본 AI 분류모델을 적용한 화학수업이 교육과정에 유용하게 적용될 수 있는 가능성을 보여주는 중요한 결과이다.
둘째로, 본 연구에서 제시한 텍스트 분류 AI 기반의 화학 수업은 현재까지의 교과 적용 연구에서 거의 탐구가 이루어지지 않은 영역이다. 대다수의 교과에 적용된 AI 분류 모델은 주로 이미지 분류 AI에 중점을 두고 있었으나, 본 연구에서는 화학 수업에서의 텍스트 분류 AI 활용에 대한 새로운 접근 방법을 제시함으로써 이 분야에 대한 기존의 공백을 채우고자 하였다. 본 연구에서 학생들은 화학 수업의 모델생성과정에서 AI을 메이킹 도구로 적극적으로 활용하여 텍스트 분류 활동을 하는 모습이 학생들의 서술형 문항 및 산출물에 포착되었다. 이를 통해, 텍스트 분류 AI를 효과적으로 수업에 적용하기 위한 활동과정의 세부사항을 파악할 수 있었으며 지금까지 화학 수업에서 시도되지 않았던 텍스트 분류 AI 기반 화학 수업의 가능성을 보여주었다. 이는 학생들에게 AI 분류 모델을 텍스트 기반으로 화학 수업을 시작하고 진행하는 데에 있어 연구자들에게 유용한 지침을 제공할 것으로 기대된다. 더불어, AI 교육이 더욱 활성화되는 시기에, 교사들에게 향후 수업모델을 효율적으로 구성하는 데에 도움이 될 것이며, 수업 디자인 및 진행에 있어서의 실질적인 지침을 제공하는 데에 기여할 것이다.
마지막으로, 본 연구에서는 화학 개념과 AI 분류 모델기반 메이킹의 유기적인 결합을 '도구로서의 AI'를 적극적으로 활용함으로써 확인할 수 있었다. 화학 개념의 심도있는 이해를 촉진하기 본 연구에서는 학습자들은 AI을 단순히 정보 전달의 수단이 아니라 ‘도구로서의 AI’로 적극적으로 활용함으로써 학습의 효과를 증진시킬 수 있었다. 최근까지의 AI 융합 교육의 연구 동향은 AI 리터러시를 향상시키기 위한 교수·학습모형보다는 AI을 도구로 활용하는 측면에서의 수업 모형이 두 배 가까이 더 연구되어 왔음을 고려할 때,8,14 두 측면 간의 균형을 맞추어 학문적인 리터러시 강화 뿐만 아니라 도구로서의 AI를 적극적으로 활용하는 측면에서의 전략과 모델링이 동등하게 중요시될 필요가 있음을 다시한번 확인하였다.
본 연구 결과를 토대로 후속 연구를 위한 제언은 다음과 같다.
첫째, AI 및 메이커 교육을 다양한 교과에 반영하였을 때 어떤 효과가 있는지 분석하는 연구가 필요하다. AI과 관련된 연구가 현재 활발히 이루어지고 있지만 화학교육과 AI에 대한 연구 및 실제 수업사례는 부족했다. 화학교육과 AI 관련 논문 총 23건 중 2건이 학교수업과 관련이 있었다.16,17 화학뿐만 아니라 모든 과목에 AI 교육이 적용되기 힘들더라도 주요 과목의 어느 비율 이상은 AI을 활용한 교육이 적용되어 다양한 과목에서 AI을 접할 수 있는 기회가 마련되어야 할 것이다. 이를 위해 교육 과정의 내용과 성취기준, 각 학교의 교사수급 및 학생들의 선택과목 등을 고려하여 고등학생들을 대상으로 한 다양한 교과목에 대한 AI 교육을 적용한 연구가 필요하다.
둘째, AI 연계 메이커 교육을 화학교과에 반영하였을 때 어떤 효과가 있는지에 대하여 수업 단계에 따른 질적 연구분석이 필요하다. 본 연구에서는 수업 도입전과 후의 설문지분석과 학생들의 서술형응답 그리고 학생들의 활동모습을 관찰함으로써 수업의 효과를 제시하였지만, 본 연구가 피지컬 컴퓨팅을 기반으로 하는 AI 분류 모델 기반 메이킹 활동으로 화학수업을 구성하였기 때문에 수업 장면들을 메이킹이라는 특정한 틀을 통해 분석하여 그 의미를 구체적으로 도출하는 과정이 필요하다.
셋째, AI 분류 모델 이외에 AI의 다양한 기능을 이용한 프로그램을 개발하기 위한 연구가 필요하다. 본 연구는 MLFK, 스크래치, mBLOCK을 활용한 텍스트 AI, 이미지 AI 분류기능을 활용했다. AI의 기능은 무궁무진하기 때문에 이러한 AI 분류모델 뿐만 아니라 CHAT GPT를 활용한 언어적 AI을 활용한 수업 혹은 AI과 메이킹 활동을 더욱 유연하게 접목한 수업 등 다양한 활동이 가능할 것이다.
종합적으로, 본 연구에서는 화학 교육과 AI, 메이커 교육의 정규교육과정에서의 융합을 통해 학생들의 교과-AI 연계 학습 경험과 이와 관련된 자기효능감을 증진시키는 방안을 모색하였다. 연구 결과를 종합하여 볼 때, AI 분류모델과 메이킹 활동이 혼합된 수업이 화학 개념과 AI의 연계를 통해 학습자들에게 심도 있는 이해를 제공하는 데에 성공하였다. 그러나 본 연구의 한계와 후속 연구의 필요성도 도출되었다. 다양한 교과목에 대한 AI 교육의 효과, 수업 단계에 따른 메이커 교육의 효과적인 적용, 교육모델의 다양성과 탐구 활동의 차별화, 다양한 AI 기능을 활용한 프로그램 개발, 학교 현장에 AI 교육 프로그램 적용을 위한 다양한 지원에 대한 연구가 더욱 필요하다. 이러한 한계와 필요성을 고려할 때, 향후 다양한 학문 분야와 현장의 교사들이 함께 참여하는 대규모 연구 프로젝트가 필요하며, 이를 통해 보다 효과적이고 현실적인 AI 교육 모델을 개발하고 적용해 나가는 방향으로 나아가야 할 것이다.
Acknowledgments
Publication cost of this paper was supported by the Korean Chemical Society.
참고문헌
- Lohr, S. M.I.T. Plans College for Artificial Intelligence, Backed by $1 Billion. The New York Times. Oct. 16, 2018, Section B of the New York Edition, p. 7.
- Ministry of Education. Elementary and Secondary Artificial Intelligence Education Content Standards (Draft)., 2020.
- Ministry of Education (2021a). 2022 Revised Curriculum General Summary Key Points (Draft).
- Ministry of Education. Outline of 2022 Revised Curriculum. https://english.moe.go.kr/boardCnts/viewRenewal.do?m=0202&s=english&page=3&boardID=254&boardSeq=89791&lev=0&opType=N (accessed 2024-01-30).
- Kim, K.; Park, Y. J. Korean Assoc. Inf. Educ. 2017, 21, 137.
- Lee, Y. J. Korean Assoc. Inf. Educ. 2019, 23, 189.
- Ryu, M.; Han, S. J. Korean Assoc. Inf. Educ. 2019, 23, 583.
- Huh, M.; Bae, Y.; Seok, H.; Lee, J. J. Korean Assoc. Inf. Educ. 2021, 25, 973.
- Lee, S. J. Korean Assoc. Inf. Educ. 2021, 25, 733.
- Han, H.-J.; Kim, K.-J.; Kwon, H.-S. J. Digit. Converg. 2020, 18, 47.
- Huh, M; Bae, Y; Seok, H; Lee, J. J. Korean Assoc. Inf. Educ. 2021, 25, 973.
- Shin, W. J. Ener Clim Chan Edu. 2020, 10, 73.
- Shin, W.-S.; Shin, D.-H. J. Korean Elem. Sci. Educ. 2021, 40, 66.
- Lee, G.; Ha, H.; Hong, H.-G.; Kim, H.-B. J. Korean Assoc. Sci. Educ. 2018, 38, 219.
- Yi, S; Lee, Y. J. Korean Assoc. Inf. Educ. 2021, 25, 961.
- Moon, S.; Lee, W; Heo, H. J. Korean Assoc. Comput. Educ. 2022, 26, 113.
- Park, M-S; Park, J-B; Park, Y-M; Cho, Y-J. Korean Society of Comp Infor. 2020, 28, 629.
- Yoon, J; Her, S; Kang, S.-J. J. Korean Assoc. Sci. Educ. 2023, 43, 99.
- Choi, J.; Paik, S.-H. Korean Assoc. Learn.-Centered Curric. Instr. 2023, 23, 259.
- Noh, T; Yoon, M-S; Han, J. J. Korean Chem. Soc. 2009, 53, 355.
- Oh, P.-K.; Kang, S.-J. J. Chem. Educ. 2021, 98, 2376.
- Choi, J.-I.; Paik, S.-H. Korean Assoc. Learn.-Centered Curri. Instr. 2023, 23, 259.
- Kim, S. Korean Tech Educ Assoc. 2020, 20, 76.
- Ministry of Science and ICT. Artificial Intelligence (AI) National Strategy., 2019.
- Kim, J. Y. Hello Data Science.; Hanbit Media: Seoul, 2016.
- Drake, S. M. J. Curri Inte. 2010, 4, 31.
- Lee, J.-Y.; Kim, K.; Kang, S.-J. Korean Assoc. Learn. -Centered Curric. Instr. 2023, 23, 679.
- Kim, E.; Lee, Y. J. Korean Assoc Comput. Educ. 2021, 51.
- Lee, S. J. Korean Assoc Comput. Educ. 2020, 23, 49.
- Jeon, H; Kim, Y. J. Korean Assoc Comput. Educ. 2018, 21, 37.
- Kim, K; Lim C. Educ Tech Inter. 2019, 35, 687.
- Kang, I; Kim, H. J. Korean Conte Assoc. 2017, 17, 250.
- Park, J; Bae, S; Kim, C; Choi, J; Jang, M; Kim, H; Coi,S; Yu, H. J. Korean Assoc Comput. Educ. 2016, 20, 129.
- Kim, H. Korean Assoc. Learn.-Centered Curric. Instr. 2020, 20, 1101.
- Yoon, J.; Cheon, J.-H.; Kang, S.-J. J. Korean Chem. Soc. 2021, 65, 219.
- Lee, K; Lee, H; Lee, K. Schol Science Journal 2020, 14, 514.
- Kim, D; Park, S; Park, K; Yang, K. Korean Science Education Society for the Gifted. 2018, 10, 244. https://doi.org/10.29306/jseg.2018.10.3.244
- Long, D; Magerko, B. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. 2020, 1.
- Kang, S.-J.; Yeo, H.-W.; Yoon, J. J. Chem. Educ. 2019, 96, 313.
- Yeo, H.-W.; Yoon, J.; Kang, S.-J. J. Korean Assoc. Sci. Educ. 2021, 41, 359.
- Park, S. J. Korean Assoc. Inf. Educ. 2021, 25, 103.