• 기독교교육논총
• /
• 제77권
• /
• pp.251-276
• /
• 2024

연구 목적: 본 연구는 대학의 교육 질을 제고하기 위해 교수들의 교육 역량을 강화할 수 있는 방안으로 교수 유형을 설정하고, 해당 유형을 평가할 수 있는 진단 도구를 개발한 후, 유형에 맞는 맞춤형 교육 과정을 개발하는 것이다. 연구 내용 및 방법: 이 연구를 위해 문헌 연구와 델파이 기법을 활용했다. 연구 결과는 다음과 같다. 첫째, 선행 연구를 분석하여 세 가지 새로운 교수 스타일 유형(스타강사형, 학습 멘토형, 디자이너형)을 도출했다. 둘째, 국내외에서 널리 사용되는 Grasha의 티칭 스타일 검사를 수정 및 보완해 유형별로 8문항씩 총 24개 문항으로 진단 도구를 개발했다. 셋째, 교수 유형별 교육 커리큘럼을 개발했는데, 모든 유형에서 필요한 공통 과정과 각 유형별 특화 과정으로 구성했다. 넷째, 개발된 모형, 도구, 커리큘럼의 타당성을 10명의 전문가 델파이 방법을 통해 검증하고 확정했다. 결론 및 제언: 본 연구를 통해 교수는 자신의 유형을 인식하고 맞춤형 교육을 받을 수 있는 기반을 마련했다. 이는 개별 교수의 강점과 선호하는 교수법을 강화하고, 교육 역량을 향상시키는 데 기여할 것이다. 그러나 이러한 성과를 시스템적으로 활용하기 위해서는 추가적인 연구가 필요하다. 특히, 교수자에 대한 인센티브 제공과 참여 교수 간의 정보 공유를 촉진할 방안에 대한 연구가 더 필요할 것이다.

• 공학교육연구
• /
• 제27권4호
• /
• pp.3-11
• /
• 2024

This study classified domestic and international systems by type, presenting their key features and examples, with the aim of outlining future directions for system development and research. AI-based learning assistance systems can be categorized into instructional-learning evaluation types and academic recommendation types, depending on their purpose. Instructional-learning evaluation types measure learners' levels through initial diagnostic assessments, provide customized learning, and offer adaptive feedback visualized based on learners' misconceptions identified through learning data. Academic recommendation types provide personalized academic pathways and a variety of information and functions to assist with overall school life, based on the big data held by schools. Based on these characteristics, future system development should clearly define the development purpose from the planning stage, considering data ethics and stability, and should not only approach from a technological perspective but also sufficiently reflect educational contexts.