초등학생의 인공지능 교육을 위한 교수 학습 모델 개발 및 적용 A Development and Application of the Teaching and Learning Model of Artificial Intelligence Education for Elementary Students원문보기
21세기 지식 정보 사회에 인공지능 교육이 매우 중요하다. 4차 산업혁명 시대에 컴퓨터 교육에서 인공지능을 이해하고 컴퓨터 프로그래밍 교육을 해 보는 것이 매우 중요하지만 인공지능에 대해서 이해하고, 컴퓨터 프로그래밍 교육을 하는 교수 학습 모델이 없다. 본 연구에서는 제안하는 모델은 문제 이해 단계, 데이터 정리하기 단계, 인공지능 모델 정하기 단계, 프로그래밍하기 단계, 보고서 작성하기 단계로 구성된다. 프로그래밍하기 단계에서는 학생들의 수준에 적합하게 복사하기, 변형하기, 창조하기, 도전하기로 나눌 수 있다. 본 연구에서는 초등학교 교사들의 델파이 평가로 모델의 타당도를 입증하였고, 그에 따라 초등학생들이 쉽게 이해할 수 있는 사례를 만들었다. 본 연구의 결과는 초등학생들에서 인공지능 프로그램을 실습해 볼 수 있는 좋은 기회를 제공한다.
21세기 지식 정보 사회에 인공지능 교육이 매우 중요하다. 4차 산업혁명 시대에 컴퓨터 교육에서 인공지능을 이해하고 컴퓨터 프로그래밍 교육을 해 보는 것이 매우 중요하지만 인공지능에 대해서 이해하고, 컴퓨터 프로그래밍 교육을 하는 교수 학습 모델이 없다. 본 연구에서는 제안하는 모델은 문제 이해 단계, 데이터 정리하기 단계, 인공지능 모델 정하기 단계, 프로그래밍하기 단계, 보고서 작성하기 단계로 구성된다. 프로그래밍하기 단계에서는 학생들의 수준에 적합하게 복사하기, 변형하기, 창조하기, 도전하기로 나눌 수 있다. 본 연구에서는 초등학교 교사들의 델파이 평가로 모델의 타당도를 입증하였고, 그에 따라 초등학생들이 쉽게 이해할 수 있는 사례를 만들었다. 본 연구의 결과는 초등학생들에서 인공지능 프로그램을 실습해 볼 수 있는 좋은 기회를 제공한다.
Artificial intelligence education is very important in the 21st century knowledge information society. Even if it is very important to understand artificial intelligence and practice computer programming in computer education in the fourth industrial revolution, but there is no teaching and learning...
Artificial intelligence education is very important in the 21st century knowledge information society. Even if it is very important to understand artificial intelligence and practice computer programming in computer education in the fourth industrial revolution, but there is no teaching and learning model to understand artificial intelligence and computer programming education. In this paper, the proposed model consists of problem understanding step, data organizing step, artificial intelligence model setting step, programming step, and report writing step. At the program step, students can choose to copy, transform, create, and challenge steps to their level. In this study, the validity of the model was proved by the Delphi evaluation of elementary school teachers. The results of this study provide a good opportunity for elementary school students to practice artificial intelligence programs.
Artificial intelligence education is very important in the 21st century knowledge information society. Even if it is very important to understand artificial intelligence and practice computer programming in computer education in the fourth industrial revolution, but there is no teaching and learning model to understand artificial intelligence and computer programming education. In this paper, the proposed model consists of problem understanding step, data organizing step, artificial intelligence model setting step, programming step, and report writing step. At the program step, students can choose to copy, transform, create, and challenge steps to their level. In this study, the validity of the model was proved by the Delphi evaluation of elementary school teachers. The results of this study provide a good opportunity for elementary school students to practice artificial intelligence programs.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 4차 산업 사회에서 인공지능이 매우 부각되고 있고, 2015년 개정 교육과정에서 소프트웨어교육을 초등학교부터 해야 하는 시점에서 인공지능을 학생들에게 학습하게 하는 교수 학습 모델을 만들었다. 본 연구에서 제안한 학습 모델은 문제 이해 단계, 데이터 정리하기 단계, 인공지능 모델 정하기 단계, 프로그래밍하기 단계, 보고서 작성하기 단계로 구성되어 있고, 학생들은 수준에 적합하게 프로그래밍하기 단계에서는 복사하기, 변형하기, 창조하기, 도전하기로 나누었다.
본 연구에서는 초등학생들에게 인공지능 개념을 학습하게 하고 실제 컴퓨터 프로그램을 해 보는 학습 모형을 개발하여 실제로 인공지능을 이해할 수 있는 프로그램을 개발한다.
본 연구의 문제점은 초등학생들이 파이썬을 이해해야 한다는 점이다. 이 인공지능 프로그램을 이용하고 만들기 위해서 많은 시수가 필요하다는 점이다.
이 단계에서는 1단계와 2단계에서 수행한 과제를 응용하여, 4.1절의 예제 2로 제시한‘손으로 쓴 숫자 이미지가 주어졌을 때 어떤 숫자인지 알아내기’를 직접 구현하는 것이 목표다.
가설 설정
/iris_test/data.txt에 저장되어 있고, data.txt 파일의 포맷은 [Table 6]과 같이 각 라인이 하나의 데이터를 의미하며 ‘,’를 구획문자로 하여 특징값들과 정답이 분리되어 있다고 가정하자.
학습 데이터와 테스트 데이터는 mnist_train과 mnist_test 디렉토리에 ‘0.200.jpg’와 같은 형태로 저장되어 있다고 가정하였다.
제안 방법
1956년 여름 다트머스 대학에서 존 맥카시(JohnMcCarth) 등 여러 학자들이 생각하는 기계에 대한 토론을 하면서 새로운 이름으로 존 맥카시가 제안한 인공지능(Artificial intelligence)이라는 이름으로 사용하기로 하였다. 인공지능은 매우 많은 분야로 발전하여 왔다.
본 연구에서 제안한 교육 모델이 위의 6개의 특성에어는 정도 만족하는지를 전문가의 델파이 조사를 수행했다. 5단계 측도를 이용하여 6개의 특성 각각에 대한 만족도를 조사하여. 매우 만족이면 5번이고 만족이면 4번이고, 보통이면 3번이고, 불만족이면 2번이고, 매우 불만족이면 1번이다.
1단계에서 6개의 학습 데이터와 3개의 테스트 데이터를 직접 소스코드에 입력하였는데, 이 방식은 데이터가 많아지면 굉장히 번거로운 일이 될 것이다. 따라서 많은 데이터를 학습하기 위해 파일에서 데이터를 읽어오는 방법으로 소스코드를 변형하고자 한다. 학습 데이터와 테스트 데이터가 각각 .
인공지능 모델을 결정했다면, 실제로 프로그래밍하는 과정을 수행한다. 본 논문에서는 모방하기, 변형하기, 창작하기, 도전하기 등 4단계로 구성된 프로세스를 따른다.
본 연구에서 제안하는 인공지능 학습 모델은 ‘문제 이해하기’, ‘데이터 준비하기’, ‘인공지능 모델 결정하기’,‘인공지능 프로그래밍하기’, ‘보고서 작성하기’ 등 5가지 단계로 구성된다.
본 연구에서 제안한 교육 모델이 위의 6개의 특성에어는 정도 만족하는지를 전문가의 델파이 조사를 수행했다. 5단계 측도를 이용하여 6개의 특성 각각에 대한 만족도를 조사하여.
본 연구에서는 4차 산업 사회에서 인공지능이 매우 부각되고 있고, 2015년 개정 교육과정에서 소프트웨어교육을 초등학교부터 해야 하는 시점에서 인공지능을 학생들에게 학습하게 하는 교수 학습 모델을 만들었다. 본 연구에서 제안한 학습 모델은 문제 이해 단계, 데이터 정리하기 단계, 인공지능 모델 정하기 단계, 프로그래밍하기 단계, 보고서 작성하기 단계로 구성되어 있고, 학생들은 수준에 적합하게 프로그래밍하기 단계에서는 복사하기, 변형하기, 창조하기, 도전하기로 나누었다. 이 단계들에 대한 전문가들의 델파이 조사는 매우 의미 있게 결과가 나왔다.
본 연구에서 초등학생들에게 인공지능 학습을 위한 모델을 제안하고, 델파이 방법으로 검증한다.
대상 데이터
엘런 튜링은 1950년에 발표한 computing machinery and Intelligence[7,8,20]에서 컴퓨터는 생각할 수 있을까? 라는 질문을 던지며 이미테이션 게임을 제안한다. 이 게임에는 심판관과 두 명의 참가자가 있다. 이때 두 명의 참가자는 컴퓨터와 사람이다.
델파이 검증 방법[12]이 심층적인 의견을 결정할 때에 많이 사용하기 때문에 본 논문에서 검증도구로 사용한다. 전문가 집단으로는 초등학교 컴퓨터 교육 경험이 있고, 인공지능에 대한 개념을 학습하고 석사학위 이상을 가진 현장 교사 20명을 선정하였다.
[Table 9]은 OpenCV의 resize 함수를 적용하여 이 작업을 쉽게 수행하였다. 학습 데이터와 테스트 데이터는 각각 dog_cat_train, dog_cat_test 디렉토리에 저장하였으며, 학습에 사용된 이미지는 각 종류 별 10000개(총 20000개), 테스트에 사용된 이미지는 각 종류 별 2500개(총 5000개)다. 학습 결과, 50번 반복 학습하는 데에 약 6분이 소요되었으며, 분류 정확도는 67% 수준이었다.
이론/모형
델파이 검증 방법[12]이 심층적인 의견을 결정할 때에 많이 사용하기 때문에 본 논문에서 검증도구로 사용한다. 전문가 집단으로는 초등학교 컴퓨터 교육 경험이 있고, 인공지능에 대한 개념을 학습하고 석사학위 이상을 가진 현장 교사 20명을 선정하였다.
본 연구에서 이용한 개발한 자기 조절 학습 모형은 자기 조절 학습 요소와 소프트웨어 개발 단계에 4C(copying, changing, creating, challenging) 모델[11]을 본 연구에서 프로그래밍하기 단계에 적용한다. 4C는 학생들이 어떤 학습을 할 때에 복사하기(copying), 변형하기(changing), 창작하기(creating), 도전하기(challenging)로 자기 조절 학습 능력을 기를 수 있다.
본 연구에서 제안한 인공지능 학습을 위한 교수 학습모형은 미국의 ACM 학회 산하의 CSTA(Computer Science Teacher Association)의 계산사고(Computational Thinking) 특성을 만족하는지에 대한 검증 도구를 기본으로 실시하였다. CSTA의 계산 사고 특성[2,3]은 문제 해결에 도움을 주기 위해서 컴퓨터나 다른 도구를 이용하여 문제들을 형식화할 수 있고, 논리적으로 데이터를 구성하고 분석할 수 있고, 데이터를 모델이나 시뮬레이션으로 표현할 수 있고, 알고리즘적 사고로 해법을 자동적으로 만들 수 있고, 가장 효과적으로 또는 효율적으로 가능한 해법을 찾아서 분석하고 구현할 수 있고, 문제를 해결하는 과정을 일반화하고 다양한 방법으로 표현할 수 있다는 것이다.
네 번째는 학생들이 실제 인공지능 프로그램을 작성하는 단계이다. 이 단계에서는 김갑수[9]가 제안한 자기조절 학습 모델의 4C(copying, changing, creating, challenging)의 모형을 이용한다.
컴퓨터 프로그래밍 교육에서는 학생, 교사, 프로그래밍 도구의 3의 객체간의 관계가 매우 중요하기 때문에 자기조절 학습이 매우 중요하여 본 연구에서는 자기조절 학습 모형을 이용한다.
성능/효과
∙수업시간에 제시한 예제보다 더 많은 데이터를 사용해 보았더니 분류 정확도가 향상되었다.
첫째,Keras는 TensorFlow와 Theano의 래퍼(wrapper)이기 때문에 매우 사용하기 쉽다. 둘째, Keras는 (Theanobackend를 사용할 경우) 64비트 Linux, 32비트 Linux,64비트 Windows, 32비트 Windows 환경에서 별도의 가상 머신을 사용하지 않고 쉽게 사용할 수 있다. 많은 초등학교에서 64비트/32비트 Windows가 설치된 컴퓨터를 사용하고 있고, 일부 학교는 라즈베리 파이 등을 사용해 리눅스 환경에서 컴퓨터 교육을 받고 있는 것을 고려할 때, 이러한 범용성은 교육적 관점에서 매우 중요할 수 있다.
본 연구에서 제안한 교수 학습 모델은 [Table 1]과 [Table 2]의 결과를 분석하여 보면 초등학생들에게 인공지능 교육을 위한 적합한 모델이다. 그 이유는 다음과 같다.
지난 예제들보다 조금 정확도가 떨어졌는데, 그 이유는 크게 2가지다. 첫째, 붓꽃을 분류하는 것은 3개 중 하나를 선택하는 문제였으나, 이번에는 10개 중 하나를 선택해야 하는 문제였다. 둘째, 이미지 데이터를 수로 변환한 후 학습하였는데, 이 과정에서 인접한 픽셀들이 무엇인지에 대한 정보가 손실되었다.
학습 데이터와 테스트 데이터는 각각 dog_cat_train, dog_cat_test 디렉토리에 저장하였으며, 학습에 사용된 이미지는 각 종류 별 10000개(총 20000개), 테스트에 사용된 이미지는 각 종류 별 2500개(총 5000개)다. 학습 결과, 50번 반복 학습하는 데에 약 6분이 소요되었으며, 분류 정확도는 67% 수준이었다. 상당히 낮은 정확도라는 생각이 들 수도 있지만, 실제 학습/테스트 데이터를 확인해 보면, 학습하기가 쉽지 않은 이미지임을 확인할 수 있다.
mnist_train 디렉토리에는 각 숫자별 6000개(총 60000개)의 jpg 파일이 있고, mnist_test 디렉토리에는 각 숫자별 1000개(총 10000개)의 jpg 파일이 존재한다. 학습을 수행한 결과, 10번 반복 학습하는 데에 약 25초 소요되었으며, 분류 정확도는 약 92%로 나타났다. 지난 예제들보다 조금 정확도가 떨어졌는데, 그 이유는 크게 2가지다.
get_test_data() 함수에는 3개의 테스트 데이터가 소스 코드에 직접 기재되어 있다. 학습을 진행하면, Intel Core i5-4590 CPU를 기준으로 하였을 때 1000번 반복 학습하는 데에(1000 epochs) 5초가 소요되지 않으며, 테스트데이터에 대한 분류 정확도는 100%다.
후속연구
이 단계들에 대한 전문가들의 델파이 조사는 매우 의미 있게 결과가 나왔다. 본 연구에서 제안한 모형에 따라 초등학교에서 실제 적용 가능한 예제를 만들어서 초등학생들에게 적용할 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
인공지능과 프로그램의 차이는 무엇인가?
인공지능과 프로그램은 어떤 차이가 있는지 살펴본다. 인공지능(artificial intelligence)은 사람의 뇌를 흉내되어 고안한 인공 신경망(artificial neural networks)을 이용하는 것이 보편적이다. 프로그램은 기본적으로 어떤 목적에 적합하게 사람이 지시한 명령어들을 수행하는 것에 있지만 인공지능은 어떤 목적으로 개발하는 것이 아니라 사람의 신경망을 구현하는 것이다. 야후, 페이스북, 구글,IBM, 마이크로소프트 등은 개발한 인공지능으로 바둑,퀴즈풀이, 얼굴인식, 음성인식 등에 대해서 끊임없이 도전한다.
아서 사무엘(Arthur Samuel)은 인공지능을 어떻게 설명하였나?
인공지능은 매우 많은 분야로 발전하여 왔다. 1959년 아서 사무엘(Arthur Samuel)은 명시적으로 프로그래밍 하지 않고 컴퓨터에 학습 능력을 부여한 것으로 정의하여 기계 학습을 인공지능이라고 하였다. 이때에 주로 게임에 많이 이용되었고, 체스 게임이 대표적이며 알파 베타 가치치기(alpha-beta evaulation pruning), 민맥스(minmax) 알고리즘 등이 사용되었다.
우리나라는 인공지능 교육 경험의 제공이 어떠한 실정인가?
우리 사회는 제4차 산업의 진입으로 초등학생들에게도 인공지능 교육 경험이 필요하다. 그러나 아직도 우리나라 교육은 인공지능이나 4차 산업을 이야기하면서 초등학교 교육과정에서 인공지능 교육 프로그램을 경험할 수 없을 뿐만 아니라 소프트웨어 교육도 2015년 개정 교육과정에서 초등학교 6년 동안 17시간을 제시하고 있다. 그래서 소프트웨어 교육과 더불어 21세기에 주도적인 삶을 살아가기 위해서 초등학생들이 인공지능 교육 프로그램을 직접 경험해 보는 것이 필요하다.
참고문헌 (21)
Boekarts, M., Pintrich, P. R., & Zeidner, M. (Eds.), (2000). Handbook of self-regulation. San Diego, CA: Academic.
Chris Stephenson and Valerie Barr(2011), Defining Computational Thinking for K-2, The Voice of K-12 Computer Science education and its Educators 2011, 7-2
CSTA(2011),K-12 Computer Science Standards
Garris, R., Ahlers, R., & Driskell, J. E. (2002). Games, motivation, and learning: A research and practice model. Simulation & Gaming, 33, 441-467.
Harnad, S.(1992),The Turing Test Is Not A Trick:Turing Indistinguishability Is A Scientific Criterion. SIGART Bulletin 3(4).
Harnad, S. (2000) Minds, Machines, and Turing: The Indistinguishability of Indistinguishables. Journal of Logic, Language, and Information 9(4): 425-445.
Kim, Kapsu (2010), "A Study on Programming Language Instruction Strategies of Improving the creative and logical thinking for Elementary Students", Journal Of The Korean Association Of Information Education, 14(1), 89-97.
Kim,Kapsu(2014). Measuring and Applying the Self-efficacy in Computer Programming Education. Journal Of The Korean Association Of Information Education, 18(1), 111-120.
Kim, Kapsu(2015). A Self-regulated Learning Model Development in Computer Programming Education, Journal of The Korean Association of Information Education Vol. 29(1),21-30.
Linstone,H.A and Turoff,M(1975). The Delphi Method: Techniques and Application, London: Addison-wesley.
Miltiadou, M., & Yu, C. H. (2000). Validation of the Online Technologies Self-Efficacy Scale (OTSES)
Ministry of Education (2015). The revised national curriculum 2015 for Primary and Secondary Schools, Vol.2015-75, No. 10.
Nong Ye Gavriel Salvendy (1996). Expert-novice knowledge of computer programming at different levels of abstraction. Ergonomics, 39(3), 461-481.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.