과학영재 중학생들과 일반 중학생들의 과학과 관련된 직업에 대한 인식 비교: 언어 네트워크 분석법 중심으로 The Comparison of Perceptions of Science-related Career Between General and Science Gifted Middle School Students using Semantic Network Analysis원문보기
학생들의 과학과 관련된 직업에 대한 인식은 이공계 직업동기와 과학학습동기에 큰 영향을 미친다. 특히 미래의 국가 과학기술발전의 핵심 동력인 과학영재학생들이 지속적으로 과학을 하는데 있어 과학관련 직업에 대한 긍정적 인식은 중요한 역할을 한다. 이 연구는 언어네트워크 분석법을 통하여 중학교 과학영재와 일반학생들의 과학과 관련된 직업에 대한 인식을 비교 분석하였다. 이를 위하여 학생들이 인식하고 있는 과학과 관련된 직종으로 구성된 네트워크를 구조화 한후, 네트워크 분석을 수행하여 두 집단의 인식 네트워크의 구조적 특성을 확인하였다. 과학영재학생들과 일반학생들의 네트워크를 비교분석한 결과, 첫째, 과학영재들은 일반학생들에 비하여 과학과 관련된 직업의 종류에 있어 다양했으며, 직업명의 구체성이 있었다. 둘째, 물질과학자와 의사는 과학영재와 일반학생 모두의 과학관련 직업 인식망에서 가장 중심적인 위치를 차지하였다. 또한 교수, 컴퓨터 및 수학 관련 직업은 과학영재의 인식망에서는 상대적으로 높은 중심성을 나타낸 반면, 일반학생의 인식망에서는 낮은 중심성을 보이며 과학영재와 일반학생들의 인식의 차이를 확인하였다. 셋째, 기술적 직업은 과학영재와 일반학생들의 인식망의 외곽에 위치하여, 학생들은 기술적 직업을 과학과 관련된 직업으로 쉽게 떠올리지 못함을 확인할 수 있었다. 이 연구는 과학영재 학생들의 진로 지도를 위한 근거 자료로 활용될 수 있을 것이다.
학생들의 과학과 관련된 직업에 대한 인식은 이공계 직업동기와 과학학습동기에 큰 영향을 미친다. 특히 미래의 국가 과학기술발전의 핵심 동력인 과학영재학생들이 지속적으로 과학을 하는데 있어 과학관련 직업에 대한 긍정적 인식은 중요한 역할을 한다. 이 연구는 언어네트워크 분석법을 통하여 중학교 과학영재와 일반학생들의 과학과 관련된 직업에 대한 인식을 비교 분석하였다. 이를 위하여 학생들이 인식하고 있는 과학과 관련된 직종으로 구성된 네트워크를 구조화 한후, 네트워크 분석을 수행하여 두 집단의 인식 네트워크의 구조적 특성을 확인하였다. 과학영재학생들과 일반학생들의 네트워크를 비교분석한 결과, 첫째, 과학영재들은 일반학생들에 비하여 과학과 관련된 직업의 종류에 있어 다양했으며, 직업명의 구체성이 있었다. 둘째, 물질과학자와 의사는 과학영재와 일반학생 모두의 과학관련 직업 인식망에서 가장 중심적인 위치를 차지하였다. 또한 교수, 컴퓨터 및 수학 관련 직업은 과학영재의 인식망에서는 상대적으로 높은 중심성을 나타낸 반면, 일반학생의 인식망에서는 낮은 중심성을 보이며 과학영재와 일반학생들의 인식의 차이를 확인하였다. 셋째, 기술적 직업은 과학영재와 일반학생들의 인식망의 외곽에 위치하여, 학생들은 기술적 직업을 과학과 관련된 직업으로 쉽게 떠올리지 못함을 확인할 수 있었다. 이 연구는 과학영재 학생들의 진로 지도를 위한 근거 자료로 활용될 수 있을 것이다.
Students' perception of science-related career strongly influences the formation of career motivation in science. Especially, the high level of science gifted students' positive perceptions plays an important role in allowing them to continue to study science. This study compared perceptions of scie...
Students' perception of science-related career strongly influences the formation of career motivation in science. Especially, the high level of science gifted students' positive perceptions plays an important role in allowing them to continue to study science. This study compared perceptions of science-related career between general and gifted middle school students using semantic network analysis. To ensure this end, we first structuralize semantic networks of science-related careers that students perceived. Then, we identified the characters of networks that two different student groups showed based on the structure matrix indices of semantic network analysis. The findings illustrated that the number of science-related careers shown in science gifted students' answer is more than in general students' answer. In addition, the science gifted students perceived more diverse science-related careers than general students. Second, scientific career such as natural scientists and professors were shown in the core of science gifted students' perception network whereas non-research oriented careers such as science teachers and doctors were shown in the core of general students' perception network. In this study, we identified the science gifted students' perceptions of science-related career was significantly different from the general students'. The findings of current study can be used for the science teachers to advise science gifted students on science-related careers.
Students' perception of science-related career strongly influences the formation of career motivation in science. Especially, the high level of science gifted students' positive perceptions plays an important role in allowing them to continue to study science. This study compared perceptions of science-related career between general and gifted middle school students using semantic network analysis. To ensure this end, we first structuralize semantic networks of science-related careers that students perceived. Then, we identified the characters of networks that two different student groups showed based on the structure matrix indices of semantic network analysis. The findings illustrated that the number of science-related careers shown in science gifted students' answer is more than in general students' answer. In addition, the science gifted students perceived more diverse science-related careers than general students. Second, scientific career such as natural scientists and professors were shown in the core of science gifted students' perception network whereas non-research oriented careers such as science teachers and doctors were shown in the core of general students' perception network. In this study, we identified the science gifted students' perceptions of science-related career was significantly different from the general students'. The findings of current study can be used for the science teachers to advise science gifted students on science-related careers.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
139) 과학영재학생들과 일반학생들의 인식 연결망은 상이함을 알 수 있었다.1) 따라서 이 연구에서는 네트워크의 세부 구성요소인 점과 점 사이의 연결을 통해 두 학생 집단의 인식 양상의 차이를 확인해보고자 한다.
이 연구는 과학영재와 일반학생의 ‘과학과 관련된 직업’에 대한 인식을 조사하여 그들의공통점과 차이점을 비교하고자 하였다.
이 연구에서는 2009 개정 과학과 교육과정에 중학교 1~3 학년군의 중요한 목표로 제시하고 있는 학생들의 ‘진로탐색능력’을 위해 가장 중요한 요소인 학생들의 직업에 대한 지식 및 이해에 대해 알아보고자 하였다.
과학영재와 일반학생들의 응답에서 나타난 공기성에 기초한 과학과 관련된 직업 인식망은 각각 [그림 1]과 [그림 2]에서와 같이 도식화 할 수 있다. 이 연구에서는 과학영재와 일반학생 두 집단의 과학과 관련된 직업 인식의 중심적 네트워크 양상을 알아보기 위하여, 각 집단별로 출현빈도 상위 20위의 직업코드와 이 직업코드가 형성한 연결들 중 연결 가중치가 0.5 이상의 연결들만으로 이루어진 네트워크를 도식화하였다.
이 연구에서는 또한 김경순, 신석진, 임희준, 노태희(2008a)가 제시한 과학과 관련된 직업에 대한 4가지 분류기준인 과학적 직업(scientific profession)과 과학적 지식을 이용하는 직업 (profession using scientific knowledge), 기술적 직업(technological profession), 비과학기술 직업(non-scientific or non-technological profession)을 바탕으로 직업코드들을 재범주화하여 보다 더 큰 범주에서 과학과 관련된 직업의 인식망을 살펴보고, 인식 네트워크의 거시적 이해를 추구하고자 하였다. 네트워크 상에서 각각의 점들을 분류 기준에 따라 4가지의 서로 다른 모양의 도형으로 구분하였다.
또한 집단의 인식망을 도식화해서 볼 수 있기 때문에 추후 관련 교수학습 개발 시 고려해야할 기초 자료로 활용할 수 있다(Doerfel & Barnett, 1999; Lewicki, Gray & Elliot, 2003). 이 연구에서는 언어네트워크 방법을 활용하여 과학영재들이 인식하고 있는 과학과 관련된 직업 군과 일반학생들이 인식하고 있는 과학과 관련된 직업군의 위상적 차이를 도출해 내고자 하였다.
는 네트워크 내에서 점의 구조적 위세를 보여주는 양적 수치이다. 이 연구에서는 연결정도 중심성과 매개 중심성지수를 통해 어떤 점이 네트워크 상에서 중심적인 역할을 하고 있는지 확인하였다. 네트워크 분석법에서 연결정도중심성은 다른 점들과 연결이 가능한 모든 경우 중 실제로 연결된 경우의 비율을 의미한다.
또한 언어네트워크 분석법은 사회네트워크 분석법을 언어라는 대상에 대해 적용 하여 구조적 이해를 시도한 새로운 분석방법이다(이준기, 하민수, 2012; Wassetman & Faust, 1994). 이 연구에서는 연구목적 달성을 위해 학생들의 응답에 대해 기술통계적 비교를 넘어 점과 선의 데이터 모두를 통합적으로 얻고자 하였으며, 해당 직업군이 학생들의 정신모형 속에서 어떤 위상을 차지하고 있는지 언어네트워크 분석법을 활용하여 알아보고자 하였다.
특히 이 연구에서는 사회가 장차 국가 과학기술인력으로 자라나기를 기대하고 있는 과학영재들의 ‘과학과 관련된 직업’에 대한 인식과 일반학생들의 인식을 함께 조사하여 그들의 공통점과 차이점을 비교하고자 하였다.
제안 방법
이 연구는 과학영재와 일반학생의 ‘과학과 관련된 직업’에 대한 인식을 조사하여 그들의공통점과 차이점을 비교하고자 하였다. 과학영재들과 일반 학생들의 과학과 관련된 직업에대한 인식에 대해 보다 효율적으로 파악하기 위하여 언어네트워크 분석법을 활용하여 각종지표를 분석하고 도출되는 네트워크 그래프를 통해 각 집단의 인식에 대한 위상적 이해를시도하였다. 이 연구의 결과들을 통하여 얻을 수 있었던 결론은 다음과 같다.
이 연구에서는 또한 김경순, 신석진, 임희준, 노태희(2008a)가 제시한 과학과 관련된 직업에 대한 4가지 분류기준인 과학적 직업(scientific profession)과 과학적 지식을 이용하는 직업 (profession using scientific knowledge), 기술적 직업(technological profession), 비과학기술 직업(non-scientific or non-technological profession)을 바탕으로 직업코드들을 재범주화하여 보다 더 큰 범주에서 과학과 관련된 직업의 인식망을 살펴보고, 인식 네트워크의 거시적 이해를 추구하고자 하였다. 네트워크 상에서 각각의 점들을 분류 기준에 따라 4가지의 서로 다른 모양의 도형으로 구분하였다. 과학적 직업은 동그라미, 과학적 지식을 이용하는 직업은 세모, 기술적 직업은 네모, 비과학기술 직업은 마름모로 표현하였다.
두 네트워크의 구조에 대해 보다 미시적으로 분석하기에 앞서 두 네트워크의 상관분석을 수행하였다. 그 결과 상관계수는 0.
현재 한국 표준 직업 분류체계의 경우 직업 숙련도에 의해 직업 종류를 분류하여 과학기술 분야의 직업들의 영역 특이적 특성에 따라 직업들을 구분하기에 쉽지 않다. 따라서 이 연구에서는 미국 노동청에서 개발한 표준 직업 분류 체계(Standard Occupation Classification System)의 대범주(Major group)코드를 기준으로 단어들을 범주화하였다. 국제 표준직업분류(ISCO)나 한국표준직업분류체계(KSCO)가 발표되어 있음에도 불구하고 이 연구에서 미국 표준직업분류체계인 SOC 코드를 사용한 이유는 다음과 같다.
학생들이 제시하는 과학과 관련된 직업의 종류들에는 다양한 교육경로를 통해 해당 직종에 도달하는 것도 존재하고, 뿐만 아니라 직능수준의 상한선을 정확히 판단하기 어려운 경우나 과거와 현재의 직능수준 요구가 변화된 것들도 존재한다. 따라서 이 연구에서는 학생들이 인식하는 과학과 관련된 직업의 유형이 어떻게 관계를 지니며 인식의 망을 형성하는지 알아보는데 연구의 목적이 있으므로 유형 파악에 최적화 된 분류체계인 미국의 SOC 코드를 활용하여 네트워크 분석의 프레임으로 적용하였다.
연결 가중치와 더불어 연결정도 중심성(degree centrality)과 매개 중심성(betweenness centrality)을 통해서도 네트워크의 구조적 양상을 확인하였다. 연결정도 중심성은 하나의 점이 다른 점들과 얼마나 연결되어 있는지의 정도를 나타내는 수치로, 네트워크 내에서 중심 적인 역할을 할수록 높은 연결정도 중심성을 지닌다.
학생들이 응답한 과학과 관련된 직업들을 범주화한 SOC코드들을 바탕으로 언어네트워크 분석을 수행하여 과학영재 집단과 일반학생 집단의 인식망의 구조를 비교하였다. 우선 학생들의 응답에서 나타난 직업코드들의 출현빈도를 살펴본 후, 학생들의 인식망의 양상을 확인하였다.
또한 의사와 소아과 의사와 같이 동일한 직종의 직업을 인식하지만 직업의 구체성에서 차이가 나타날 수 있다. 이 연구에서는 같은 직종이나 같은 직업을 언급하는데 사용된 다양한 단어들의 경우 같은 의미를 지녔다고 보고 직업분류체계를 기준으로 범주화(framing)하였다. 현재 한국 표준 직업 분류체계의 경우 직업 숙련도에 의해 직업 종류를 분류하여 과학기술 분야의 직업들의 영역 특이적 특성에 따라 직업들을 구분하기에 쉽지 않다.
직업코드의 출현 빈도는 한국어 기반 텍스트 분석 전문 프로그램인 Krkwic을 통해 확인 하였다(Park & Leydesdorff, 2004). 이 연구에서는 출현빈도 상위 20위에 속하는 점들과 이점들이 형성하는 연결들 중 연결 가중치가 0.5 이상의 연결들만을 네트워크상에 시각화하여, 학생들의 인식 네트워크에서의 핵심적인 구조만을 확인하였다. 시각화된 네트워크에 나타나는 점 크기는 점의 연결정도 중심성 지수가 높을수록 크며, 선의 굵기는 연결의 가중치가 클수록 굵다.
이를 통해 생성된 일원모드 행렬은 각 점들 동시에 언급된 정도를 산출한 가중치(weight) 값으로 구성되어 점 간 연결의 정도를 파악할 수 있다는 장점이 있다(이지연, 조현주, 윤지원, 2014; Newman, 2001; Zhou, Ren, Medo & Zhang, 2007). 이 연구에서는 코사인 유사도 (Cosine Similarity)를 바탕으로 가중치를 산출하였다.
이 연구에서는 프로젝션(Projection) 과정을 통해 학생×직업코드의 이원 모드 네트워크를 직업코드×직업코드의 일원모드 행렬로 변환하였다.
과학과 관련된 직업에는 기초과학자와 같이 과학지식을 생성하는 직업군도 있으나 과학자가 만들어낸 지식을 활용하는 직업군도 존재한다. 이 연구에서는 학생들이 생각하는 과학과 관련된 직업의 인식이 어떠한 범주의 조합으로 나타나는지 거시적으로 확인하기 위해 김경순 외(2008a)가 제시한 과학과 관련된 직업에 대한 분류기준을 참고하여 SOC직업 프레임을 재분류하여 상위 범주화를 실시하였다. 그 결과 과학과 관련된 직업은 과학 분야를 연구하며 새로운 과학지식을 생성하는 과학자, 공학자와 같은 과학적 직업(Scientific profession), 의사, 과학 관련 교직과 같이 과학적 지식을 활용하여 특정 목적을 실현하는 과학적 지식을이용하는 직업(Profession using scientific knowledge), 프로그래머, 기술자, 수리공 등 기술적소양을 지녀야하는 기술적 직업(Technological profession), 스포츠 선수, 사회과학자, 요리사와 같은 과학 분야의 직업이 아닌 비과학기술 직업(Non-scientific or non-technological profession)으로 분류하였다.
이를 위하여 교육과정에서 제시하고 있는 탐구활동 목표와 동일하게 ‘과학과 관련된 직업’에 대해 학생들이 어떻게 알고 있는지를 개방형 검사를 통해 조사하였다.
학생들이 응답한 과학과 관련된 직업들을 범주화한 SOC코드들을 바탕으로 언어네트워크 분석을 수행하여 과학영재 집단과 일반학생 집단의 인식망의 구조를 비교하였다. 우선 학생들의 응답에서 나타난 직업코드들의 출현빈도를 살펴본 후, 학생들의 인식망의 양상을 확인하였다.
대상 데이터
이 연구에서는 과학영재 54명과 일반학생 55명이 참여하였으며 모두 중학생이다. 과학 영재들은 남학생 40명, 여학생 14명으로, 모두 남부권 소재 종합대학교 부설 과학영재교육원 소속이다. 일반 학생은 남학생 29명, 여학생 26명으로 모두 영재교육 경험이 없는 학생들로 구성되어 있다.
일반적으로 언어네트워크를 통한 집단별 인식의 정확한 비교연구를 위해서는 단어들의 출현빈도나 네트워크의 구조적 특성들에 크게 영향을 주는 참여자 집단의 크기를 비슷한 수준으로 설정해야한다. 이 연구에서는 과학영재 54명과 일반학생 55명이 참여하였으며 모두 중학생이다. 과학 영재들은 남학생 40명, 여학생 14명으로, 모두 남부권 소재 종합대학교 부설 과학영재교육원 소속이다.
과학 영재들은 남학생 40명, 여학생 14명으로, 모두 남부권 소재 종합대학교 부설 과학영재교육원 소속이다. 일반 학생은 남학생 29명, 여학생 26명으로 모두 영재교육 경험이 없는 학생들로 구성되어 있다.
데이터처리
과학적 직업은 동그라미, 과학적 지식을 이용하는 직업은 세모, 기술적 직업은 네모, 비과학기술 직업은 마름모로 표현하였다. 이 연구에서 수행된 모든 네트워크 분석은 NetMiner 4 프로그램을 사용하여 이루어졌다.
이론/모형
직업코드의 출현 빈도는 한국어 기반 텍스트 분석 전문 프로그램인 Krkwic을 통해 확인 하였다(Park & Leydesdorff, 2004).
넷째, 이 연구에서 사용한 언어 네트워크 분석법(SNA; semantic network analysis)은 단순양적 데이터에서는 드러나지 않는 위상적 차이에 대하여 설명해 낼 수 있는 장점이 있어 과학교육의 다른 많은 주제에 적용이 가능 할 것으로 예상된다. 특히 이 연구에서는 검색어나 소셜 텍스트를 통한 미래예측기법인 텍스트 마이닝(text mining)과 같은 예측 및 제안 시스템에서 활발하게 활용되고 있는 프로젝션 기법을 사용하였다. 만약 프로젝션된 일원모드 네트워크에서 A와 B라는 두 점이 높은 가중치로 연결되어 있다면, 과학과 관련된 직업으로 A 를 언급한 학생은 B를 언급했을 가능성이 크며, 그렇지 않더라도 나중에 B라는 직업을 보고과학과 관련된 직업으로 인식할 가능성이 크다.
성능/효과
결과적으로 과학영재교육에서 과학영재들의 과학과 관련된 진로·직업에 대한 충분한 탐색과 직업세계에 대한 구체적 이해를 위한 다양한 교육이 이루어질 때, 과학영재들은 자신의 흥미와 적성을 충분히 발휘할 수 있는 과학관련 직업·진로로 나아가게 될 수 있을 것이다.
네트워크 상에서 각각의 점들을 분류 기준에 따라 4가지의 서로 다른 모양의 도형으로 구분하였다. 과학적 직업은 동그라미, 과학적 지식을 이용하는 직업은 세모, 기술적 직업은 네모, 비과학기술 직업은 마름모로 표현하였다. 이 연구에서 수행된 모든 네트워크 분석은 NetMiner 4 프로그램을 사용하여 이루어졌다.
이 연구에서는 학생들이 생각하는 과학과 관련된 직업의 인식이 어떠한 범주의 조합으로 나타나는지 거시적으로 확인하기 위해 김경순 외(2008a)가 제시한 과학과 관련된 직업에 대한 분류기준을 참고하여 SOC직업 프레임을 재분류하여 상위 범주화를 실시하였다. 그 결과 과학과 관련된 직업은 과학 분야를 연구하며 새로운 과학지식을 생성하는 과학자, 공학자와 같은 과학적 직업(Scientific profession), 의사, 과학 관련 교직과 같이 과학적 지식을 활용하여 특정 목적을 실현하는 과학적 지식을이용하는 직업(Profession using scientific knowledge), 프로그래머, 기술자, 수리공 등 기술적소양을 지녀야하는 기술적 직업(Technological profession), 스포츠 선수, 사회과학자, 요리사와 같은 과학 분야의 직업이 아닌 비과학기술 직업(Non-scientific or non-technological profession)으로 분류하였다. 이 분류기준의 기초를 제시한 김경순 외(2008a)는 공학자(Engineer) 를 기술적 직업으로 분류하였지만, 이 연구에서는 공학자는 과학을 응용하여 새로운 지식과생산물을 생산해내는 직업이라는 점에 근거하여, 과학적 직업으로 분류하였다(김현영, 박수경, 김영민, 2012).
두 네트워크의 구조에 대해 보다 미시적으로 분석하기에 앞서 두 네트워크의 상관분석을 수행하였다. 그 결과 상관계수는 0.066로 유의미한 수치를 나타내지 않아(p=0.139) 과학영재학생들과 일반학생들의 인식 연결망은 상이함을 알 수 있었다.1) 따라서 이 연구에서는 네트워크의 세부 구성요소인 점과 점 사이의 연결을 통해 두 학생 집단의 인식 양상의 차이를 확인해보고자 한다.
반면 일반학생의 네트워크는 과학영재의 것에 비해 점들이 중심부에 연결되어 있는 정도가 상대적으로 적었으며 일부분은 선형 (Chain network)의 형태를 나타내고 있다. 네트워크를 이루는 점들 간의 평균거리를 산출한 결과 과학영재들의 네트워크에서는 노드 간의 평균거리가 2.035, 일반학생들의 네트워크에서는 3.61로, 일반학생들의 인식망은 상대적으로 연상의 확산에 있어 덜 효율적인 구조라 볼 수 있다.
둘째, 과학영재들의 과학에 대한 직업 인식을 네트워크로 표현하면 과학적 직업들을 중심으로 결집성이 우수하였으며, 하나의 조밀한 네트워크로 도출되는 반면 일반 학생들의 인식에서는 과학적 직업과 더불어 과학지식을 이용하는 직업을 중심으로 상대적으로 성긴 네트워크가 형성되었다. 반면에 기술적 직업은 과학영재와 일반학생들의 인식구조에서 외곽에 위치하며 과학과 관련된 직업으로 연상이 쉽게 이루어지지 않음을 확인할 수 있었다.
때문에 학생들이 미디어 등을 통해 보고 듣게 된 다양한 미래 과학기술 직업 등에 대해서도 분류가 가능하야 한다(Hadden, Kravet, & Muntaner, 2004). 둘째, 미국의 SOC 시스템은 많은 직업을 분류하는데 있어 가장 간편하고 손쉬운 분류 방식을 취하고 있다. 미국 표준직업분류체계는 ISCO처럼 직능수준(skill level)과 직능유형(skill type)을 동시에 고려하여 분류하는 시스템이 아니라 보다 명확하게 분류할 수 있는 직능유형을 기초로 설계 되었다 (박동욱 외, 2013; Shin, An, & Lee, 2014).
이는 많은 일반 학생들의 인식 속에서웹 그래픽 디자이너, 자동차 디자이너 등 예술, 디자인 계열 직종 직업과 과학잡지 기자, 기상캐스터와 같은 대중매체 종사자들의 동시 연상이 자주 일어남을 의미한다. 또한 과학영재학생들과 같이 물질과학자와 엔지니어는 일반학생들의 인식 속에서도 강하게 연결되어 있음을 확인할 수 있었다.
반면에 기술적 직업은 과학영재와 일반학생들의 인식구조에서 외곽에 위치하며 과학과 관련된 직업으로 연상이 쉽게 이루어지지 않음을 확인할 수 있었다.
셋째, 일반학생들의 과학과 관련된 직업의 인식망에서는 과학교사, 의사와 같은 과학을이용하는 직업이 과학영재학생들에 비해 상대적으로 중요한 위치를 차지하였다. 더불어 일반학생들은 과학수사대와 같은 대중매체를 통해 접하게 된 직업들을 빈번하게 언급하고 있으며, 과학영재학생들과 비교했을 때 추상적인 수준의 과학적 직업을 떠올리는데 그치고 있었다.
과학영재들은 국과 과학기술의 미래를 짊어지고 갈 동량(棟梁)이다. 이 연구의 결과가 말해 주듯이, 과학영재들의 과학과 관련된 직업에 대한 지식정도와 인식구조는 일반 학생들의 그것과 많은 차이점을 발견할 수 있었다. 따라서 과학영재들이 성공적으로 미래 과학기술계의 주역으로 자신의 사람을 영위하는데 성공하려면 이러한 연구 결과들을 바탕으로 하여 그동안 소홀히 해온 과학영재들을 위한 맞춤형 진로․직업 지도가 보다 실시되어야 할 것이다.
범주화후 집단별로 출현빈도 상위 20위 내에 속하는 직업코드들을 정리하면 <표 1> 및 <표 2>와 같다. 이 중 19개의 직업코드가 두 집단에서 동일하게 나타나면서 집단에 관계없이 전반적으로 인식하는 직업군이 거의 비슷함을 보였다. 하지만 두 집단에서 나타난 직업코드들의 상대적 빈도와 네트워크적 특성은 다소 차이가 있었다.
3%(277개)로 나타났다. 일반 학생들은 과학적 직업(scientific profession)이 전체의 41.77%(236개), 과학적 지식을 이용하는직업(profession using scientific knowledge)이 31.9%(180개), 기술적 직업(technological profession) 이 6.5%(37개), 비과학기술 직업(non-scientific or non-technological profession)이 19.8%(112개)로 나타났다.
첫째, 과학영재들은 일반학생들에 비하여 과학과 관련된 직업의 종류에 있어 다양했으며, 직업명의 구체성이 있었다. 최근 영재교육에서 영재들의 진로 직업탐색은 장기적 관점으로볼 때, 개인의 적성 및 역량의 발휘와 사회적 기여에 있어 핵심적인 요인으로 강조되고 있다.
반면 일반학생들이 생각해 낸 ‘과학과 관련된 직업’은 모두 565개로 영재학생들의 절반에 해당한다. 학생들이 응답한 직업들을 표준 직업 분류 체계의 기준에 맞추어 범주화한 결과 영재학생들의 응답은 54개의 SOC 코드로 정리되었으며 일반학생들 응답의 경우 39개의 SOC 코드로 정리되었다. 이러한 차이는 영재학생이 과학과 관련된 직업을 서술하는데 있어 일반학생들에 비해 다양한 직업을 생각해냈음을 나타낸다.
후속연구
넷째, 이 연구에서 사용한 언어 네트워크 분석법(SNA; semantic network analysis)은 단순양적 데이터에서는 드러나지 않는 위상적 차이에 대하여 설명해 낼 수 있는 장점이 있어 과학교육의 다른 많은 주제에 적용이 가능 할 것으로 예상된다. 특히 이 연구에서는 검색어나 소셜 텍스트를 통한 미래예측기법인 텍스트 마이닝(text mining)과 같은 예측 및 제안 시스템에서 활발하게 활용되고 있는 프로젝션 기법을 사용하였다.
따라서 과학영재들이 성공적으로 미래 과학기술계의 주역으로 자신의 사람을 영위하는데 성공하려면 이러한 연구 결과들을 바탕으로 하여 그동안 소홀히 해온 과학영재들을 위한 맞춤형 진로․직업 지도가 보다 실시되어야 할 것이다.
이러한 원리를 바탕으로 학생들에게 과학관련 진로교육을 수행하는 과정에서 학생 개개인의 인식을 고려하는 학습자 중심형 과학과 관련된 직업 정보를 제안할 수도 있을 것이다. 또한 이 방법은 학생들의 장래 희망 직업 데이터를 포함하는 대규모 응답데이터를 기반으로 교과연계형 직업진로 교육을 위한 맞춤형 정보제공 시스템의 기반 원리로 응용이 가능할 것이다.
따라서 적어도 과학교과에 대해서는 교과 연계를 통한 보다 많은 직업에 대한 소개가 교수-학습 지도 상황을 통해 자연스럽게 이루어지도록 하는 노력이 더욱 필요하다. 또한 학생들이 장차 이공계 진로로 나아갈 수 있게 하려면 과학기술 관련 진로․직업에 대한 보다 많은 안내와 소개가 이루어져야 할 것이며 특히 과학기술직에 대한 더욱 구체적인 직업소개가 이루어져야 할 것이다.
예를 들어 특정 과학기술 주제를 배우면서 관련된 유망 직업을 함께 알 수 있는 기회를 제공받거나, 과학과 관련된 직업인과의 만남이나 직업세계에서의 체험 등 직접적 경험을 유도하는 방향으로의 교육과정 및 교수학습의 개선이 필요하다. 뿐만 아니라 전통적 과학직업 이외에도 금융공학, 도시설계, 빅데이터 분석 분야와 같은 과학기술을 융합적으로 활용하거나 혹은 융합적인 신생학문분야와 관련된 진로직업에 대한 지도가 영재교육 과정에서 함께 이루어져야 할 것으로 판단된다. 과학영재들은 국과 과학기술의 미래를 짊어지고 갈 동량(棟梁)이다.
질의응답
핵심어
질문
논문에서 추출한 답변
중학교 시기가 학생들에게 핵심적인 시기인 이유?
중학교 시기는 학생들이 중등교육으로 처음 진입하는 시기이며, 자신의 진로선택의 방향에 따라 일반 인문계 고등학교, 전문계 고등학교, 영재학교, 과학고등학교, 외국어 고등학교등 다양한 형태의 상급학교 진학이 결정되는 첫 번째 갈림길로 진로교육에 있어 매우 결정적이고 핵심적인 시기이다. 특히 중학교 시기는 학생들이 이공계열의 진로를 생각하고 선택하는데 매우 중요한 역할을 하는 시기임이 선행연구들을 통해 알려져 있다(김경순, 이선우, 한수진, 노태희, 2008b; Simpson, Koballa, Oliver & Crawley, 1994; Woolnough, 1994).
교육과정이 추구하는 인간상은?
실제로 앞서 설명한 우리나라의 교육과정은 7차부터 2007 개정 교육과정, 그리고 최근 개정된 2009 개정 교육과정에 이르기 까지 진로교육을 가장 중요한 목표로 상정하고 있다. 이는 교육과정이 추구하는 인간상인 “전인적 성장의 기반 위에 개성의 발달과 진로를 개척 하는 사람”에서도 잘 나타나고 있다(교육부, 1997; 교육인적자원부, 2007; 교육과학기술부, 2011).
과학영재들이 과학기술 분야에서의 진로탐색의 어려움은 무엇에 의한 것인가?
하지만 이러한 과학영재교육 관련 국가적 지원 정책과 과학영재들에 대한 높은 사회적 기대에도 불구하고, 많은 과학영재들이 과학기술 분야에서의 진로탐색에 어려움을 겪고 있는 실정이다. 이러한 어려움은 직업과 관련된 자아 정체감의 부재, 과학에 치중된 관심, 실패에 대한 두려움, 저성취로 인한 또래에 대한 열등감과 같은 내적 요인과 진로선택시 부모의 판단에 의지, 멘토의 부재, 이공계 기피의 사회적 분위기와 같은 외적 요인에 의해 나타난다고 알려져 있다(황희숙, 강승희, 황순영, 2010). 최근 과학영재들이 과학과 관련된 진로를 희망 하는 비율이 예전이 비하여 대폭 하락하였다고 보고되었는데, 이는 국내의 이공계 기피와 같은 사회분위기와 함께 과학영재교육원 등의 영재교육기관에서 과학기술 관련 직업․진로에 관련된 교육이 적었기 때문으로 알려져 있다(김현정, 유준희, 2006).
참고문헌 (76)
강경희(2010). 과학영재교육 관련 국내 연구 동향. 한국과학교육학회지, 30(1), 54-67.
박동욱, 최상준, 변혜정, 김양호, 김수근, 하권철, 강태선(2013). 산업안전보건분야에서 표준 직업분류(Standard Occupational Classification, SOC) 활용 사례 고찰 및 향후 국내 도입 방안 제언. 한국산업위생학회지, 23(1): 11-19.
박종석, 심규철, 육근철(2001). 과학영재들의 과학과 과학자에 대한 인식 조사. 영재교육연구, 11(3), 85-97.
Archer, L., Dewitt, J., Osborne, J., Dillion, J., Willis, B., & Wong, B. (2010). “Doing” science vs. “Being a scientist”: Examining 10/11-years old schoolchildren's constructions of science through the lens of identity. Science Education, 94, 617-639.
Aschbacher, P. R., Ing, M., & Tsai, S. M. (2014). Is science me? Exploring middle school students' STE-M career aspirations. Journal of Science Education and Technology, 23(6), 735-743.
Bodzin, A. & Gegringer, M. (2001). Breaking science stereotypes. Science and Children, 38(4), 36-41.
Borgatti, S. P., & Everett, M. G. (1999). Models of core/periphery structures. Social Networks, 21, 375-395.
Campbell, T., Lee, H., Kwon, H., & Park, K. (2012). Students motivation and interests as proxies for forming STEM identities. 한국과학교육학회지, 32(3), 532-540.
Choi, K., Lee, H., Shin, N., Kim, S. W., & Krajcik, J. (2011). Re-Conceptualization of Scientific Literacy in South Korea for the 21st Century. Journal of Research in Science Teaching, 48(6), 670-697.
diSessa, A. A. (2008). A bird's-eye view of the "pieces" vs. "coherence" controversy. In S. Vosniadou (Ed.), International handbook of research on conceptual change (pp. 35-60). New York: Routledge.
Doerfel, M. L., & Barnett, G. A. (1999). A semantic network analysis of the international communication association. Human Communication Research, 25(4), 589-603.
Glynn, S. M., Brickman, P, Armstrong, N., & Taasoobshirazi, G. (2011). Science motivation questionnaire II: Validation with science majors and nonscience majors. Journal of research in science teaching, 48(10), 1159-1176.
Glynn, S. M., Taasoobshirazi, G., & Brickman, P. (2007). Nonscience majors learning science: A theoretical model of motivation. Journal of Research in Science Teaching, 44, 1088-1107.
Glynn, S. M., Taasoobshirazi, G., & Brickman, P. (2009). Science motivation questionnaire: Construct validation with nonscience majors. Journal of Research in Science Teaching, 46(2), 127-146.
Grunspan, D. Z., Wiggins, B. L., & Goodreau, S. M. (2014). Understanding classrooms through social network analysis: A primer for social network analysis in education research. CBE-Life Science Education, 13, 167-178.
Hadden, W. C., Kravet, N., & Muntaner, C. (2004). Descriptive dimensions of US occupations with data from the O*NET. Social Science Research, 33, 64-78.
Hammer, D. (1996). Misconceptions or p-prims: How may alternative perspectives of cognitive structure influence instructional perceptions and intentions. The Journal of the Learning Sciences, 5(2), 97-127.
Hovardas, T., & Korfiatis, K. J. (2006). Word associations as a tool for assessing conceptual change in science education. Learning and instruction, 16, 416-432.
Hsu, P. L., Roth, W. M., Marshall, A., & Guenette, F. (2009). To be or not to be? Discursive resources for (Dis-)identifying with science-related careers. Journal of Research in Science Teaching, 46(10), 1114-1136.
Laugksch, C. R. (2000). Scientific literacy: A conceptual overview. Science Education, 84(1), 71-94.
Leavitt, H. J. (1951). Some effects of certain communication patterns on group performance. The Journal of Abnormal and Social Psychology, 46(1), 38-50.
Lewicki, R. J., Gray, B., & Elliot, M.. (2003). Making sense of intractable environmental conflicts: Concepts and cases. Washington D. C.: Island Press.
Liu, C., & Yager, R. E. (1996). Science/Technology/Society as reform in science education. Albany: State University of New York Press.
Malyn-Smith, J., & Lee, I. (2012). Application of the occupational analysis of computational thinking-enabled STEM professional as a program assessment. Journal of Computational Science Education, 3(1), 2-10.
Narayan, R., Park, S., Peker, D., & Suh, J. (2013). Students' images of scientists and doing science: An international comparison study. Eurasia Journal of Mathematics, Science & Technology Education, 2013, 9(2), 115-129
Newman, M. E. J. (2001). Scientific collaboration networks. II. Shortest paths, weighted networks, and centrality. Physical Review E, 64(016132), 1-7
Osborne, J. (2003). Attitudes towards science: a review of the literature and its implications. International Journal of Science Education, 25(9), 1049-1079.
Sanders, M., Kwon, H., Park, K., & Lee, H. (2011). Integrative STEM(Science, Technology, Engineering, and Mathematics) education: Comtemporary trends and issues. Secondary Education Research, 59(3), 729-762.
Shamos, M. H. (1995). The myth of scientific literacy. Rutgers, NJ: Rutgers University Press.
Shin, E. S., An, B. G., & Lee, S. M. (2014). Comparative analysis of kindergarten teachers, elementary school teachers and child care workers based on ISCO and KSCO. Early Childhood Education Research & Review, 18(5), 127-152.
Simpson, R. D., Koballa, T. R., Oliver, J. S., & Crawley, F. E. (1994). Research on the affective dimension of science learning. In D. L. Gabel (Ed.), Handbook of research on science teaching and learning (pp. 211-234).
Smith, W. S. (1987). Foward: The search for excellence in science teaching and career awareness (ERIC Document Reproduction Service No. ED 281723).
Stuckey, M., Hofstein, A., Mamlok-Naaman, R., Eliks, I. (2013). The meaning of 'relevance' in science education and its implications for the science curriculum. Studies in Science Education, 49(1), 1-34.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.