본 연구에서는 소프트웨어 교육의 효과성을 증진하기 위하여 소프트웨어 교육 학습자들의 자기주도학습 유형을 분석하고 각 유형에 따른 특징을 살펴봄으로써 보다 전략적인 소프트웨어 교육을 위한 교육적 시사점을 제공하고자 하였다. 이를 위해 K대학교에서 온라인 소프트웨어 교육과정에 참여하고 있는 중학생 429명을 대상으로 설문을 실시하고, 자기주도학습 유형을 분석하기 위해 잠재계층 분석을 실시하였다. 그 결과, 소프트웨어 교육 학습자들의 자기주도학습 유형은 '최고수준 자기주도학습형(계층 1)', '자기 학습스타일 인식형(계층 2)', '자기 학습스타일 선호형(계층 3)', 그리고 '자기주도학습 부재형(계층 4)'으로 나타났다. 또한 소프트웨어 교육 학습자들의 자기주도학습 유형에 따른 소프트웨어 학업성취도 수준은 '최고수준 자기주도학습형(계층 1)'이 가장 높고, '자기 학습스타일 선호형(계층 3)' 가장 낮은 것으로 확인되었다. 이러한 결과를 바탕으로 소프트웨어 교육을 위한 시사점을 제시하였다.
본 연구에서는 소프트웨어 교육의 효과성을 증진하기 위하여 소프트웨어 교육 학습자들의 자기주도학습 유형을 분석하고 각 유형에 따른 특징을 살펴봄으로써 보다 전략적인 소프트웨어 교육을 위한 교육적 시사점을 제공하고자 하였다. 이를 위해 K대학교에서 온라인 소프트웨어 교육과정에 참여하고 있는 중학생 429명을 대상으로 설문을 실시하고, 자기주도학습 유형을 분석하기 위해 잠재계층 분석을 실시하였다. 그 결과, 소프트웨어 교육 학습자들의 자기주도학습 유형은 '최고수준 자기주도학습형(계층 1)', '자기 학습스타일 인식형(계층 2)', '자기 학습스타일 선호형(계층 3)', 그리고 '자기주도학습 부재형(계층 4)'으로 나타났다. 또한 소프트웨어 교육 학습자들의 자기주도학습 유형에 따른 소프트웨어 학업성취도 수준은 '최고수준 자기주도학습형(계층 1)'이 가장 높고, '자기 학습스타일 선호형(계층 3)' 가장 낮은 것으로 확인되었다. 이러한 결과를 바탕으로 소프트웨어 교육을 위한 시사점을 제시하였다.
The purpose of this study is to analyze the self-directed learning types of software education learners and to characterize them according to each type. To do this, 429 middle school students participating in online software education at K university were surveyed and a latent class analysis to anal...
The purpose of this study is to analyze the self-directed learning types of software education learners and to characterize them according to each type. To do this, 429 middle school students participating in online software education at K university were surveyed and a latent class analysis to analyze self-directed learning types was conducted. As a result, the self-directed learning types of the software education learners were classified into 'highest level of self-directed learning type (class 1)', 'self learning style recognition type (class 2)', 'self learning style preference type (class 3)', and 'lack of self-directed learning type(class 4)'. Also, the level of software learning achievement according to self-directed learning type of software education learners was found to be the highest at 'highest level of self-directed learning type (class 1)' and lowest at 'self learning style preference type (class 3)'. Based on these results, we suggested the strategic implications for software education.
The purpose of this study is to analyze the self-directed learning types of software education learners and to characterize them according to each type. To do this, 429 middle school students participating in online software education at K university were surveyed and a latent class analysis to analyze self-directed learning types was conducted. As a result, the self-directed learning types of the software education learners were classified into 'highest level of self-directed learning type (class 1)', 'self learning style recognition type (class 2)', 'self learning style preference type (class 3)', and 'lack of self-directed learning type(class 4)'. Also, the level of software learning achievement according to self-directed learning type of software education learners was found to be the highest at 'highest level of self-directed learning type (class 1)' and lowest at 'self learning style preference type (class 3)'. Based on these results, we suggested the strategic implications for software education.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
요약하면, 본 연구의 맥락이 되는 소프트웨어 교육과 관련하여, 교육을 통한 자기주도학습능력 계발, 소프트웨어 교육성과에 영향을 미치는 요인으로서의 자기주도학습에 대한 연구가 수행되었으나, 소프트웨어 교육에 참여하는 학습자의 자기주도학습 유형에 대한 연구가 추가적으로 수행되어 학습자에 대한 이해를 높일 필요가 있다. 그러나 기존에 이루어진 자기주도학습 메타연구에서 제시한 모델에 따라 학생의 자기주도학습을 분석하기 보다는 현재 수업에 참여하고 있는 학생의 특성을 최대한 반영하여 계층화하여 학습자의 자기주도학습 유형을 파악해보고자 하였다.
예를 들어, 자기주도학습 유형 연구[38], 자기주도학습 역량 측정 도구 개발 연구[39][40], 학습자의 자기주도학습 특성, 유형 및 실태에 관한 연구[37][41][42], 학습에 있어서의 자기주도학습 변인과 타 변인간의 관계 연구[21][22][43], 자기주도학습 프로그램 개발 및 효과성에 관한 연구 [44][45][46][47] 등이 그 예이다. 연구자들은 이와 같은 연구를 통해 학습자의 특성을 분석하여 교육 환경에서의 효과적인 교육을 위한 시사점을 제시하였다. 이 중 대학생의 자기주도학습 유형에 대한 연구를 수행한 구양미(2006)는 1) 통합적 자기주도 학습, 2) 실존적 자기주도학습, 3) 사회적 자기주도 학습, 4) 교육적 자기주도학습, 5) 인지적 자기주도 학습으로 구분하여 온라인과 면대면 수업이 연계된 혼합형 학습 환경에서 실시되는 자기주도학습 유형을 분석하였다.
우리나라도 소프트웨어 교육을 활성화하기 위해 2015년 초중등 소프트웨어 교육 필수화 계획[2] 및 2016년 소프트웨어 교육 활성화 기본계획[3]을 수립하여 학교 중심의 소프트웨어교육을 강화하고자 하였다. 이에 2015년 개정 교육과정에 따라, 2018년부터 초등학교 및 중학교에서 소프트웨어 교육을 도입하여 초등학교에서는 실과 과목에서 17시간 이상, 중학교에서는 정보교과를 필수교과로 지정하여 실시하고 있다[2].
이 연구는 온라인 소프트웨어 교육 학습자들의 자기주도학습 유형을 분류해 봄으로써 교육과정 운영의 효과성을 높이기 위한 전략적 시사점을 도출 하고자 하였다. 하지만, 실제적인 학습자들의 유형 분류가 제대로 되는지 다시 반복측정하여 그 분류의 신뢰도를 높일 필요가 있다.
학습자 스스로 문제를 파악하고 해결과정을 탐색하여 컴퓨터를 통한 문제해결책을 도출해 내는 과정, 즉 컴퓨팅 사고 과정을 요구하는 소프트웨어 교육의 특성상 자기주도학습능력은 컴퓨팅 사고와 함께 핵심적인 역량으로 인식된다. 이에 이 연구를 통해 온라인 소프트웨어 교육 학습자들의 자기주도학습 유형을 분석하고 각 유형에 따른 특징을 살펴봄으로써 보다 전략적인 온라인 소프트웨어 교육을 위한 교육적 시사점을 제공하고자 하였다.
한편, 소프트웨어 교육이 학생들이 프로그래밍 결과를 바로 실행하고 피드백을 받을 수 있는 온라인 학습환경에서 이루어지는 것이 보다 효과적이라는 주장이 제기되는 바[23][24][25], 이러한 맥락에서 본 연구는 온라인 소프트웨어 교육과 자기주도 학습의 관련성을 심도있게 파악해 보고자 하였다. 즉, 온라인 소프트웨어 교육에 참여하는 학습자들의 자기주도학습 유형이 어떻게 분류되는지를 분석해 보고, 자기주도학습 유형에 따라 교육 성과가 다르게 나타나는지를 살펴보고자 하였다. 이를 위한 연구문제를 제시하면 다음과 같다.
선행연 구에서도 소프트웨어 교육에서 자기주도학습능력이 소프트웨어 교육 설과에 긍정적인 영향을 미친다는 결과가 확인된 바 있으며[22], 이러한 결과를 통해 컴퓨팅 사고력과 같은 소프트웨어 학업성취도를 높이기 위해서는 학습자의 자기주도역량을 높이는 것이 필수적임을 알 수 있다. 특히, 본 연구에서는 자기주도학습 수준을 보다 세분화하여 자기주도 학습 수준뿐만 아니라 유형에 따라 학습 성과가 달라질 수 있음이 추가적으로 확인하였다. 예컨대, ‘자기 학습스타일 선호형’ 학습자들은 전체적인 자기주도학습 수준의 점수는 자기주도학습 부재형(계층 4) 유형보다 높게 나타났지만, 학업성취도 수준을 보면 가장 낮게 나타났다.
한편, 소프트웨어 교육이 학생들이 프로그래밍 결과를 바로 실행하고 피드백을 받을 수 있는 온라인 학습환경에서 이루어지는 것이 보다 효과적이라는 주장이 제기되는 바[23][24][25], 이러한 맥락에서 본 연구는 온라인 소프트웨어 교육과 자기주도 학습의 관련성을 심도있게 파악해 보고자 하였다. 즉, 온라인 소프트웨어 교육에 참여하는 학습자들의 자기주도학습 유형이 어떻게 분류되는지를 분석해 보고, 자기주도학습 유형에 따라 교육 성과가 다르게 나타나는지를 살펴보고자 하였다.
제안 방법
4개의 유형으로 분류된 온라인 소프트웨어 교육 학습자의 자기주도학습의 특성을 분석하기 위하여 자기주도학습의 지표별로 반응한 조건 반응 확률 (conditional probability)을 분석하였으며, 그 특성을 근거로 하여 각 계층의 이름을 명명하였다. 온라인 소프트웨어 교육 학습자의 자기주도학습 지표별로 반응한 조건 반응 확률 결과는 <표 7>과 같으며, 이를 시각화하여 계층별 특성을 직관적으로 이해할 수 있도록 [그림 3]과 같이 제시하였다.
연구자들은 이와 같은 연구를 통해 학습자의 특성을 분석하여 교육 환경에서의 효과적인 교육을 위한 시사점을 제시하였다. 이 중 대학생의 자기주도학습 유형에 대한 연구를 수행한 구양미(2006)는 1) 통합적 자기주도 학습, 2) 실존적 자기주도학습, 3) 사회적 자기주도 학습, 4) 교육적 자기주도학습, 5) 인지적 자기주도 학습으로 구분하여 온라인과 면대면 수업이 연계된 혼합형 학습 환경에서 실시되는 자기주도학습 유형을 분석하였다. 그 결과, 초인지적, 인지적 측면을 포함하는 ‘인지적 자기주도학습’, 학습자의 자율적인 학습을 촉진하기 위해 교사자가 조력적, 동반적 역할을 수행하는 ‘교육적 자기주도학습’과 함께 현실의 문제에 대한 성찰적 경험 및 자기개발을 목적으로 하는 ‘실존적 자기주도학습’, 사회적 관계중심의 집단적, 협력적 학습으로, 사회 안에서 자발적으로 실행되는 학습인 ‘사회적 자기주도학습’이 실행되고 있는 것으로 나타났으며, 연구자들은 이와 같은 특성을 고려하여 적합한 온라인, 오프라인 학습 환경을 구성해야 할 것을 제안하였다.
또한, 탐구과제 수행 시 개념학습에서 학습한 개념을 활용, 응용하여 창의적으로 문제를 해결하며 컴퓨팅 사고력을 계발 한다. 또한, 각 차시에 부여된 개념학습과 연관된 도전과제 또는 학습활동을 통해 개념학습에서 배운 지식을 정교화하였다. 학생이 각 개념을 이미 잘 이해하고 있는 경우에는 반복적으로 개념을 학습할 필요 없이 도전과제 및 탐구과제를 수행할 수 있음을 안내하였다.
학생들은 e-Book을 기반으로 개념학습을 수행하고, 다양한 학습활동 및 도전과제를 해결하며 해당 차시의 개념을 정교화한다. 또한, 탐구과제 수행 시 개념학습에서 학습한 개념을 활용, 응용하여 창의적으로 문제를 해결하며 컴퓨팅 사고력을 계발 한다. 또한, 각 차시에 부여된 개념학습과 연관된 도전과제 또는 학습활동을 통해 개념학습에서 배운 지식을 정교화하였다.
본 연구에서는 온라인 소프트웨어 교육에 참여하고 있는 학습자들의 자기주도학습 특성에 대한 유형을 분석하고 잠재계층분석(Latent Class Analysis: LCA)1)을 실시하였다.
알고리즘, 스크래치, 앱 인벤터 과정은 총 6개의 탐구과제와 6회의 학습활동을 평가하여 총점을 산출하였으며, C언어 과정은 총 2개의 탐구과제, 6개의 도전과제를, Python 과정은 총 2개의 탐구과제 및 8개의 도전과제를 평가하여 총점을 산출하였다. 개념을 확인하는 학습활동 또는 도전과제는 해당 개념 이해 정도를 평가하였으며, 탐구과제는 학생의 창의적 문제해결력을 중점적으로 평가하여 학생들에게 피드백하였다.
온라인 소프트웨어 교육 학습자의 자기주도학습 유형에 대한 잠재계층 분석을 위해 잠재계층 모형 적합도(goodness of model fit) 검증, 잠재계층간 LMR-LRT와 BLRT 검증, 그리고 사후 계층 소속 확률 검증 등이 순차적으로 이루어졌다.
온라인 소프트웨어 교육 학습자의 자기주도학습 유형에 있어 3계층 모형과 4계층 모형의 적절성을 판단하기 위해 잠재계층별 비교분석( LMR-LRT와 BLRT 검증)을 실시하였다. 그 결과 <표 7>과 같이, 3계층 Vs.
학생이 각 개념을 이미 잘 이해하고 있는 경우에는 반복적으로 개념을 학습할 필요 없이 도전과제 및 탐구과제를 수행할 수 있음을 안내하였다. 이 프로그램은 학습 과정을 튜터가 주도하기보다는 학생이 자신이 능동적으로 학습을 계획, 과제를 수행하며, 튜터는 학생이 도움을 필요로 할 때 적절한 도움을 제공하는 방식으로 운영 되었다. 학생들은 주어진 e-Book 내용을 기본으로 학습하되, 필요한 경우 e-Book에서 제시한 다양한 참고자료나 도서, 인터넷 사이트 등을 활용하여 보다 깊이 있는 학습을 수행하였다.
둘째, 온라인 소프트웨어 교육 학습자들의 자기주도학습 유형을 분류하기 위하여 잠재계층분석을 실시하였다. 이를 위해 자기주도학습 하위지표 측정문항의 평균값을 중심으로 평균이상 높은 점수는 1(=그렇다) 로, 낮은 점수는 0(=그렇지 않다)으로 재범주화하여 분석하였다. 잠재계층분석에 대한 최적의 계층을 검증하기 위해 모형 적합도(goodness of model fit), 로-멘델-루비 우도비 검증(Lo-Mendell-Rubin Likelihood Ratio Test, 이하 LMR-LRT), 그리고 부트스트랩 우도비 검증(Bootstrapped Likelihood Ratio Test, 이하 BLRT) 등을 실시한 후 세 가지 지수 결과를 종합적으로 고려하여 최적의 계층모형을 판단하였다[49][50][51] [52][53][54].
이와 같이 4계층으로 분류된 온라인 소프트웨어 교육 학습자의 자기주도학습 유형이 적절한지를 판단하기 위하여 사후 계층 소속확률(Posterior Class Membership Probability)을 살펴보았다. <표 8>을 보면, 계층 1에 소속할 확률은 .
잠재계층분석에 대한 최적의 계층을 검증하기 위해 모형 적합도(goodness of model fit), 로-멘델-루비 우도비 검증(Lo-Mendell-Rubin Likelihood Ratio Test, 이하 LMR-LRT), 그리고 부트스트랩 우도비 검증(Bootstrapped Likelihood Ratio Test, 이하 BLRT) 등을 실시한 후 세 가지 지수 결과를 종합적으로 고려하여 최적의 계층모형을 판단하였다[49][50][51] [52][53][54]. 이후 잠재계층 분류가 정확하게 이루어졌는지를 확인하기 위하여 잠재계층에 소속될 확률 (Posterior Class Membership Probability)을 분석하였다.
자기주도학습 측정문항은 총 10문항으로 구성되었으며, 성은모, 채유정, 이성혜(2017)의 연구결과를 활용하여 개발하였다. 그들은 온라인 학습자들의 자기주도학습특성에 대해 질적연구를 통해 분석하였으며, 그 결과를 활용하여 온라인 학습자들의 자기주도학습에 대한 핵심행동지표 10개를 <표 4> 와 같이 개발하였다.
이를 위해 자기주도학습 하위지표 측정문항의 평균값을 중심으로 평균이상 높은 점수는 1(=그렇다) 로, 낮은 점수는 0(=그렇지 않다)으로 재범주화하여 분석하였다. 잠재계층분석에 대한 최적의 계층을 검증하기 위해 모형 적합도(goodness of model fit), 로-멘델-루비 우도비 검증(Lo-Mendell-Rubin Likelihood Ratio Test, 이하 LMR-LRT), 그리고 부트스트랩 우도비 검증(Bootstrapped Likelihood Ratio Test, 이하 BLRT) 등을 실시한 후 세 가지 지수 결과를 종합적으로 고려하여 최적의 계층모형을 판단하였다[49][50][51] [52][53][54]. 이후 잠재계층 분류가 정확하게 이루어졌는지를 확인하기 위하여 잠재계층에 소속될 확률 (Posterior Class Membership Probability)을 분석하였다.
분석 절차는 다음과 같다. 첫째, 소프트웨어 교육 학습자들의 자기주도학습에 대한 기술통계분석과 상관관계 분석을 통해 자기주도학습의 하위 지표 간 독립성 정도를 파악하였다.
K 대학교에서 제공하는 온라인 SW 과정을 수강한 중학생 429(남자: 337명, 여자: 92명)명이 본 연구에 참여하였다. 학생들은 본인의 흥미와 수준을 고려하여 알고리즘, 스크래치, 앱 인벤터, C언어 1, 2, 3레벨, Python 1, 2레벨 중 수강과목을 선택하였고 12주로 구성된 온라인 학습을 한 학기 동안 수행하였다.
이 프로그램은 학습 과정을 튜터가 주도하기보다는 학생이 자신이 능동적으로 학습을 계획, 과제를 수행하며, 튜터는 학생이 도움을 필요로 할 때 적절한 도움을 제공하는 방식으로 운영 되었다. 학생들은 주어진 e-Book 내용을 기본으로 학습하되, 필요한 경우 e-Book에서 제시한 다양한 참고자료나 도서, 인터넷 사이트 등을 활용하여 보다 깊이 있는 학습을 수행하였다. 학습 수행 시 해결되지 않는 문제나 질문이 있을 경우, 온라인 게시판 상에서 튜터와 동료 학습자에게 도움을 구하여 문제를 공유하고 도움을 받았으며 1:1 게시판이나 비밀글을 통해 진로나 직업, 학습방법 등의 상담이 이루어지는 등의 온라인상에서의 상호작용이 이루어졌다.
대상 데이터
K 대학교에서 제공하는 온라인 SW 과정을 수강한 중학생 429(남자: 337명, 여자: 92명)명이 본 연구에 참여하였다. 학생들은 본인의 흥미와 수준을 고려하여 알고리즘, 스크래치, 앱 인벤터, C언어 1, 2, 3레벨, Python 1, 2레벨 중 수강과목을 선택하였고 12주로 구성된 온라인 학습을 한 학기 동안 수행하였다.
이 연구를 위해 K 대학에서 운영하는 온라인 소프트웨어 교육과정에 참여한 학습자들을 대상으로 조사한 자기주도학습 문항에 대해 학습자들이 응답한 각각의 문항, 즉 각각의 지표에 대한 응답패턴을 추출하여 잠재계층 분석자료로 활용하였다.
데이터처리
둘째, 온라인 소프트웨어 교육 학습자들의 자기주도학습 유형을 분류하기 위하여 잠재계층분석을 실시하였다. 이를 위해 자기주도학습 하위지표 측정문항의 평균값을 중심으로 평균이상 높은 점수는 1(=그렇다) 로, 낮은 점수는 0(=그렇지 않다)으로 재범주화하여 분석하였다.
마지막으로, 온라인 소프트웨어 교육 학습자들의 자기주도학습 유형별 집단에 따라 자기주도학습 수준과 소프트웨어 학업성취도 수준에 있어 차이가 있는지를 일원변량분석(one-way ANOVA)를 통해 확인하였다.
자료분석에 있어 잠재계층분석(LCA)에서는 Mplus 5.21을 사용하였으며, 신뢰도, 기술통계, 상관분석, 그리고 일원변량분석 등에서는 SPSS 21.0을 사용하였다.
한편, 온라인 소프트웨어 교육 학습자들의 집단 유형에 따라 종속변인인 자기주도학습 수준 및 소프트웨어 학업성취도에 있어 차이가 있는지를 확인하기 위하여 다변량분석(MANOVA)을 실시하였다.
성능/효과
2) 소프트웨어 교육에 있어 학습자들의 자기주도학습 유형에 따라 자기주도학습수준 및 소프트웨어 학업성취도에 유의미한 차이가 있는가?
최고학습 수행형(계층1) 학습자들은 자기주도학습 지표 대부분에서 높은 수준으로 나타났으며, 특히 지식 연결의 유용성 인식, 도전적 과제 선호, 그리고 자기학습 스타일 인식 영역에서 가장 높은 수준으로 나타났다. ‘자기 학습스타일 인식형(계층 2) 학습자들은 자기주도학습 수준이 중간 수준으로 나타났으며 지적 호기심, 자기학습 스타일 인식에 있어 높은 수준으로 나타났다. 자기 학습스타일 선호형(계층 3)은 자기 학습 스타일 인식과 인지적 학습기술이 높게 나타났으나 도전과제 선호와 다양한 정보탐색, 그리고 자기관리에 있어 가장 낮은 수준으로 나타났다.
개발된 온라인 학습자들의 자기주도학습 측정문항은 리커르트(Likert) 4점 척도 (매우 그렇다=4∼전혀 그렇지 않다=1)로 구성되었으며, 측정문항의 신뢰도는 Cronbach α=.843으로 나타났다.
그 결과, 초인지적, 인지적 측면을 포함하는 ‘인지적 자기주도학습’, 학습자의 자율적인 학습을 촉진하기 위해 교사자가 조력적, 동반적 역할을 수행하는 ‘교육적 자기주도학습’과 함께 현실의 문제에 대한 성찰적 경험 및 자기개발을 목적으로 하는 ‘실존적 자기주도학습’, 사회적 관계중심의 집단적, 협력적 학습으로, 사회 안에서 자발적으로 실행되는 학습인 ‘사회적 자기주도학습’이 실행되고 있는 것으로 나타났으며, 연구자들은 이와 같은 특성을 고려하여 적합한 온라인, 오프라인 학습 환경을 구성해야 할 것을 제안하였다.
사후분석결과, 최고수준 자기주도학습형이 가장 높고, 자기 학습스타일 인식형, 자기 학습스타일 선호형, 그리고 자기주도학습 부재형 순으로 유의미한 차이가 나타났다().
사후분석결과, 최고수준 자기주도학습형이 가장 높고, 자기 학습스타일 인식형, 자기주도학습 부재형 집단이 중간 수준이며, 자기 학습스타일 선호형이 가장 낮은 것으로 나타났다().
셋째, 온라인 소프트웨어 교육 학습자들의 자기주도학습 문항 응답 분포를 통해 계층별 특성을 파악하여 계층 유형별 이름을 명명하였다.
연구결과, 온라인 소프트웨어 교육 학습자들의 자기주도학습 유형은 ‘최고수준 자기주도학습형(계층 1)’, ‘자기 학습스타일 인식형(계층 2)’, ‘자기 학습스타일 선호형(계층 3)’, 그리고 ‘자기주도학습 부재형(계층 4)’으로 나타났다.
온라인 소프트웨어 교육 학습자들의 자기주도학습 유형에 따른 자기주도학습 수준과 소프트웨어 학업성취도 수준을 분석한 결과, ‘최고수준 자기주도학습형, ‘자기 학습스타일 인식형’, 그리고 ‘자기주도학습 부재형’ 학습자들이 ‘자기 학습스타일 선호형’ 학습자들보다 유의미하게 높은 것으로 확인 되었다.
온라인 소프트웨어 교육 학습자들의 자기주도학습 하위지표들 독립성을 확인하기 위하여 상관관계를 분석한 결과, r=.227~.473, p<.01 수준에서 유의미한 정적 상관관계가 나타났다.
온라인 소프트웨어 교육 학습자들의 자기주도학습문항에 대한 기초통계 및 상관관계 분석을 실시한 결과, 온라인 소프트웨어 교육 학습자들의 자기주도학습 평균은 3.26(SD=.75)로 나타났다().
온라인 소프트웨어 교육 학업성취도에 대한 학습자 집단의 차이를 살펴보면, 최고수준 자기주도학 습형 평균이 53.05(SD=31.81)으로 가장 높았고, 자기 학습스타일 선호형 평균이 38.63(SD=32.07) 으로 가장 낮은 것으로 나타났다().
이러한 평균의 차이에 대한 유의미성을 분석한 결과, 소프트웨어 교육 학업성취도에서 F=2.57, p<.05 수준 에서 유의미한 차이가 나타났다.
이러한 평균의 차이에 대한 유의미성을 분석한 결과, 자기주도학습 수준에서 F=419.67, p<.05 수준에서 유의미한 차이가 나타났다.
88%)이었다. 이와 같이 각 계층에 소속할 확률이 약 90%정도의 높은 소속확률을 보여 전체적으로 유형의 분류가 양호한 것으로 확인되었다.
‘자기 학습스타일 인식형(계층 2) 학습자들은 자기주도학습 수준이 중간 수준으로 나타났으며 지적 호기심, 자기학습 스타일 인식에 있어 높은 수준으로 나타났다. 자기 학습스타일 선호형(계층 3)은 자기 학습 스타일 인식과 인지적 학습기술이 높게 나타났으나 도전과제 선호와 다양한 정보탐색, 그리고 자기관리에 있어 가장 낮은 수준으로 나타났다.
이는 이 유형의 학습자들이 자신의 학습 스타일을 인식하고 인지적 학습기술을 기반으로 학습을 하나 실제적인 소프트웨어 교육 학업성과가 낮은 것을 보았을 때 자신이 기존에 선호하던 학습스타일을 고수하는 성향이 있을 가능성을 배제할 수 없다. 자기주도학습 부재형 (계층 4) 학습자들은 학습가치와 인지적 학습기술이 상대적으로 높게 나타났지만, 자기학습 스타일 인식과 메타인지 학습기술이 상당히 낮은 것으로 나타났다. 이 학습유형의 학습자들은 오히려 자신만의 학습스타일을 인식하지 못하기 때문에 주변의 도움을 받아 학습을 함으로써 자기학습 스타일 선호형 학습자들보다 학습성과 측면에서는 높은 것임을 추측해 볼 수 있는 결과라 하겠다.
잠재계층 모형 적합도 분석결과, AIC지수가 2계층부터 5계층까지 감소하였고, BIC와 adjusted BIC지수는 2계층, 3계층으로 감소하다가 4계층에서 증가하였으며, Entropy 값은 4계층에서 .83으로 가장 높게 나타났다().
48 범위에서 낮은 수준의 반응을 보였다. 즉, 온라인 소프트웨어 교육 학습자들의 자기주도학습 유형은 자기주도학습의 특성에 따른 유형으로 나타나기 보다는 전반적으로 수준별로 나타나는 특성을 보이면서도 자기주도학습 수준은 낮으나 자기 학습스타일 인식이나 인지적 학습기술의 수준은 높은 특성으로 보이는 특이한 유형도 나타났음을 확인하였다.
연구결과, 온라인 소프트웨어 교육 학습자들의 자기주도학습 유형은 ‘최고수준 자기주도학습형(계층 1)’, ‘자기 학습스타일 인식형(계층 2)’, ‘자기 학습스타일 선호형(계층 3)’, 그리고 ‘자기주도학습 부재형(계층 4)’으로 나타났다. 최고학습 수행형(계층1) 학습자들은 자기주도학습 지표 대부분에서 높은 수준으로 나타났으며, 특히 지식 연결의 유용성 인식, 도전적 과제 선호, 그리고 자기학습 스타일 인식 영역에서 가장 높은 수준으로 나타났다. ‘자기 학습스타일 인식형(계층 2) 학습자들은 자기주도학습 수준이 중간 수준으로 나타났으며 지적 호기심, 자기학습 스타일 인식에 있어 높은 수준으로 나타났다.
75)로 나타났다(<표 5>). 하위지표에 있어서는, 지식 연결의 유용성 인식 평균이 3.54(SD=.62)로 가장 높았고, 그 다음, 지적 호기심 평균이 3.52(SD=67)로 높게 나타났으며, 자기 학습스타일 인식 평균이 2.99(SD=.86), 인지적 학습기술이 평균이 2.89(SD=.92)로 가장 낮게 나타났다.
후속연구
마지막으로, 본 연구는 온라인 환경에서 이루어진 소프트웨어 교육 학습자들을 대상으로 했다는 특수성이 있다. 따라서, 오프라인 환경 소프트웨어 교육 학습자와의 비교 연구를 통해 학습 환경에 따른 소프트웨어 학습자의 자기주도학습 특성을 파악할 수 있을 것이다. 이 연구가 향후 소프트웨어 교육의 질을 한 단계 높일 수 있도록 기여하는데 일조하기를 기대해 본다.
아울러 이 연구에서 도출된 자기주도학습 유형에 따라 학습자들에게 맞춤형 온라인 소프트웨어 교육을 하였을 때 어떠한 효과가 있는지를 확인하고 어떠한 자기주도학습의 요소가 온라인 소프트웨어 교육에 성공적으로 작동하는지 그 영향 관계를 면밀히 분석할 필요가 있을 것이다. 또한, 각 자기주도학습 유형에 따라 효과적인 교수-학습 전략, 교육자료 개발 전략 등 맞춤형 소프트웨어 교육을 위한 다양한 수업 전략 개발 및 효과 분석과 관련된 연구가 수행되어야 할 것이다. 마지막으로, 본 연구는 온라인 환경에서 이루어진 소프트웨어 교육 학습자들을 대상으로 했다는 특수성이 있다.
또한, 각 자기주도학습 유형에 따라 효과적인 교수-학습 전략, 교육자료 개발 전략 등 맞춤형 소프트웨어 교육을 위한 다양한 수업 전략 개발 및 효과 분석과 관련된 연구가 수행되어야 할 것이다. 마지막으로, 본 연구는 온라인 환경에서 이루어진 소프트웨어 교육 학습자들을 대상으로 했다는 특수성이 있다. 따라서, 오프라인 환경 소프트웨어 교육 학습자와의 비교 연구를 통해 학습 환경에 따른 소프트웨어 학습자의 자기주도학습 특성을 파악할 수 있을 것이다.
마지막으로, 온라인 소프트웨어 교육의 맥락에서 온라인 학습지원 시스템 측면에서의 맞춤형 학습지원 전략을 제공할 수 있을 것이다. 소프트웨어 교육이 온라인 교육으로 지원될 경우, 자기주도학습 지원 기능이 온라인 학습지원 시스템에 내장될 필요가 있다.
소프트웨어 교육과 관련해서는 오프라인 교육 환경에서의 프로그램의 효과성에 관한 연구가 다수 수행되었다[46][47]. 선행연구에서 소프트웨어 교육이 자기주도적 학습 능력 계발에 긍정적인 영향을 미친다는 결과가 보고되었으나, 일부 연구[48]에 서는 효과성에 대해 부정적으로 인식하고 있다는 상이한 결과를 보여 추가적인 연구를 통한 확인이 필요하다. 한편, 최근 SW 교육 성취도에 영향을 미치는 요인으로서의 자기주도학습능력에 관한 연구가 수행되었는데, 연구자들은 자기주도학습능력, 협력적효능감, 몰입, 컴퓨팅 사고력, 창의적 문제해결력 등의 관계를 탐색하고자 하였으며, 그 결과 자기주도학습능력은 몰입에 유의한 영향을 미치고, 몰입을 매개로 창의적 문제해결력에 영향을 미치는 것으로 나타나 자기주도학습이 소프트웨어 교육 성취도에 영향을 미치는 것을 확인하였다[22].
추후, 일반 학습자 집단을 대상으로 분석하여 결과를 비교해 봄으로써 차별성을 확인할 필요가 있다. 아울러 이 연구에서 도출된 자기주도학습 유형에 따라 학습자들에게 맞춤형 온라인 소프트웨어 교육을 하였을 때 어떠한 효과가 있는지를 확인하고 어떠한 자기주도학습의 요소가 온라인 소프트웨어 교육에 성공적으로 작동하는지 그 영향 관계를 면밀히 분석할 필요가 있을 것이다. 또한, 각 자기주도학습 유형에 따라 효과적인 교수-학습 전략, 교육자료 개발 전략 등 맞춤형 소프트웨어 교육을 위한 다양한 수업 전략 개발 및 효과 분석과 관련된 연구가 수행되어야 할 것이다.
<표 1> 자기주도학습 관련 연구 요약
요약하면, 본 연구의 맥락이 되는 소프트웨어 교육과 관련하여, 교육을 통한 자기주도학습능력 계발, 소프트웨어 교육성과에 영향을 미치는 요인으로서의 자기주도학습에 대한 연구가 수행되었으나, 소프트웨어 교육에 참여하는 학습자의 자기주도학습 유형에 대한 연구가 추가적으로 수행되어 학습자에 대한 이해를 높일 필요가 있다
. 그러나 기존에 이루어진 자기주도학습 메타연구에서 제시한 모델에 따라 학생의 자기주도학습을 분석하기 보다는 현재 수업에 참여하고 있는 학생의 특성을 최대한 반영하여 계층화하여 학습자의 자기주도학습 유형을 파악해보고자 하였다.
따라서, 오프라인 환경 소프트웨어 교육 학습자와의 비교 연구를 통해 학습 환경에 따른 소프트웨어 학습자의 자기주도학습 특성을 파악할 수 있을 것이다. 이 연구가 향후 소프트웨어 교육의 질을 한 단계 높일 수 있도록 기여하는데 일조하기를 기대해 본다.
둘째, 온라인 소프트웨어 교육 학습자들의 자기주도학습 유형에 부합하는 맞춤형 교수학습 지원 전략이 요구된다. 이를 위해서 학습자들의 자기주도학습을 지원하고 촉진할 수 있는 교수학습방법을 지원 할 수 있을 것이다. 예를 들어 문제해결중심의 도전적 과제를 선호하기 때문에 학습자들의 지적 호기심을 자극할 수 있는 문제 또는 과제를 제시하고 이를 해결할 수 있는 교수학습방법을 적용하는 것이다.
이상과 같이 소프트웨어 교육에서 자기주도학습의 중요성이 강조됨에 따라 보다 효과적인 소프트웨어 교육을 제공하기 위해 소프트웨어 교육에 참여하는 학습자들의 자기주도학습 특성을 분석할 필요성이 제기된다.
실제로 소프트웨어 교육에서 문제 기반학습, 창의적 문제해결 모형 등이 가장 많이 활용되는 교수학습 모형이기도 하다[5][6][7][14]. 이에 더해, 지식 연결의 유용성과 집중탐구기반 학습기술을 적용하기 위해서 다양한 학문분야의 지식을 융합적으로 활용할 수 있도록 네트워크식 문제를 제공하여 넓고 깊게 정보와 지식을 탐색할 수 있는 기회를 제공할 필요가 있다. 아울러 기억의 메커니즘에 기반하여 학습한 지식을 반복적으로 학습할 수 있는 문제나 과제를 동시에 제공할 필요가 있다.
또한 자기 관리전략으로 학습자들의 학습 과정에 참여를 높이기 위해, 학습시기에 대한 안내, 학습과정에서 수행평가에 대한 상대적 평가 등에 대한 피드백을 적시에 제공하는 시스템을 제공할 필요가 있다. 즉, 온라인 학습과정의 질을 개선하기 위해 온라인 학습과정에 대한 학습자들의 데이터를 분석하는 학습 분석학을 적용하여 온라인 학습지원 시스템을 개발할 수 있을 것이다[56].
또한 연구 참여자가 온라인 소프트웨어 교육에 흥미와 재능을 가지고 자발적으로 참여한 우수한 학생들이라는 특수성이 있으므로 일반적인 소프트웨어 교육 학습자에게 일반화시켜 해석하는 것에는 무리가 있다. 추후, 일반 학습자 집단을 대상으로 분석하여 결과를 비교해 봄으로써 차별성을 확인할 필요가 있다. 아울러 이 연구에서 도출된 자기주도학습 유형에 따라 학습자들에게 맞춤형 온라인 소프트웨어 교육을 하였을 때 어떠한 효과가 있는지를 확인하고 어떠한 자기주도학습의 요소가 온라인 소프트웨어 교육에 성공적으로 작동하는지 그 영향 관계를 면밀히 분석할 필요가 있을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
소프트웨어 교육은 무엇인가?
소프트웨어 교육은 ‘코딩 기술을 습득하는 것이 아니라 소프트웨어의 기본원리를 통해 컴퓨팅사고력과 논리력을 배우고, 이를 바탕으로 창의적 문제해결능력을 증진’시키기 위한 교육이다[3]. 정영식 외 (2015)는 소프트웨어 교육이 좁은 의미에서 알고리즘과 코딩을 중심으로 한 프로그래밍 교육을 의미하기도 하지만, 컴퓨터 과학의 원리 이해 및 컴퓨팅 사고, 그리고 프로그램 개발 과정에서 습득한 고차원적인 사고력을 일상생활에서 적용하고 응용할 수 있는 능력 등을 기르는 것을 포함한 교육을 소프트웨어 교육으로 보았다[8].
‘자기 학습스타일 선호형’ 학습자들의 전체적인 자기학습 수준의 점수는 높지만, 학습기술도 수준이 낮게 나타나는 이유는 무엇인가?
예컨대, ‘자기 학습스타일 선호형’ 학습자들은 전체적인 자기주도학습 수준의 점수는 자기주도학습 부재형(계층 4) 유형보다 높게 나타났지만, 학업성취도 수준을 보면 가장 낮게 나타났다. 이는 이 유형의 학습자들이 자신의 학습 스타일을 인식하고 인지적 학습기술을 기반으로 학습을 하나 실제적인 소프트웨어 교육 학업성과가 낮은 것을 보았을 때 자신이 기존에 선호하던 학습스타일을 고수하는 성향이 있을 가능성을 배제할 수 없다. 자기주도학습 부재형 (계층 4) 학습자들은 학습가치와 인지적 학습기술이 상대적으로 높게 나타났지만, 자기학습 스타일 인식과 메타인지 학습기술이 상당히 낮은 것으로 나타났다.
4차 산업혁명시대에 지식의 습득보다 강조되는 역량은 무엇인가?
인공지능, 빅데이터, 가상현실 등과 같은 소프트웨어 기술이 주도하고 있는 4차 산업혁명시대의 도래와 함께 교육도 큰 변화에 직면하고 있다. 4차 산업혁명시대에는 지식의 습득보다 소프트웨어 기술을 기반으로 문제를 발견, 해결하고, 다양한 분야의 융합을 통해 새로운 것을 창출해 내는 역량 등이 강조된다[1]. 이에 세계 각국에서는 새롭게 요구되는 핵심 역량을 갖춘 인재 양성을 위해 교육 체제를 개편하고 새로운 교육 방법들을 도입하고 있으며, 그 중심에 소프트웨어 교육이 자리하고 있다.
Rich, P., Bly, N., & Leatham, K. R. (2014). Beyond cognitive increase: Investigating the influence of computer programming on perception and application of mathematical skills. Journal of Computers in Mathematics and Science Teaching, 33(1), 103-128.
Lye, S. Y., & Koh, J. H. L. (2014). Review on teaching and learning of computational thinking through programming: What is next for K-12? Computers in Human Behavior, 41, 51-61.
노지예, 이정민 (2018). 로봇 활용 SW 교육성과에 영향을 미치는 요인 간의 관계 규명. 학습자중심교과교육학회, 18(7), 201-209.
Huang, T., Shu, Y., Chang, S., Huang, Y., Lee, S., Huang, Y., & Liu, C. (2014). Developing a self-regulated oriented online programming teaching and learning system. 2014 IEEE International Conference on Teaching, Assessment and Learning for Engineering (TALE), Wellington, 2014, 115-120.
Xia, B. S. & Liitiainen, E. (2017). Student performance in computing education: an empirical analysis of online learning in programming education environments. European Journal of Engineering Education, 42(6), 1025-1037.
Robinson, P. & Caroll, J. (2017). An online learning platform for teaching, learning, and assessment of programming. 2017 IEEE Global Engineering Education Conference (EDUCON), Athens, 2017, 547-556.
Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49 (3), 33-35.
Wing, J. M. (2008). Computational thinking and thinking about computing. Philosophical Transactions of the Royal Society of London A: Mathematical, Physical and Engineering Sciences, 366(1881), 3717-3725.
Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K-12: What is involved and what is the role of the computer science education community? Acm Inroads, 2(1), 48-54.
Brennan, K., & Resnick, M. (2012). New frameworks for studying and assessing the development of computational thinking. In Annual American Educational Research Association meeting, Vancouver, BC, Canada.
주영주, 박수영(2015). 소프트웨어 교육에서 의 자기효능감, 교수맥락, 학습접근방식과 학습 만족도 간의 관계 규명. 학습자중심교과교육학회, 15(8), 325-341.
Knowles, M. (1975). Self-directed learning: A guide for learners and teachers. New York: Cambridge Books.
성은모 (2017). 대학생의 스마트미디어 활용 유형분류에 따른 스마트미디어 유용성, 학습 민첩성, 학업성취도의 차이 분석: 잠재계층분석(Laten Class Analysis)을 중심으로. 교육정보미디어연구, 23(3), 631-655.
성은모, 최홍일 (2017). 잠재계층분석(LCA) 을 활용한 청소년 생활관리역량 집단 유형 및 특징 분석. 한국청소년연구, 28(3), 267-290.
Geiser, C. (2013). Data analysis with Mplus. NY: Guilford Press.
Lanza, S. T., Savage, J. S., & Birch, L. L. (2010). Identification and prediction of latent classes of weight-loss strategies among women. Obesity, 18, 833-840.
Muthen, L. K., & Muthen, B. O. (2007). Mplus user's guide. LA: Muthen & Muthen.
Nylund, K. L., Asprouhov, T., & Muthen, B. O. (2007). Deciding on the number of classes in latent class analysis and growth mixture modeling. Structural Equation Modeling, 14(4), 53-569.
Rea, L. M., & Parker, R.A. (2005). Designing &Conducting Survey Research A Comprehensive Guide (3rd Edition). San Francisco, CA: Jossey-Bass.
성은모, 진성희, 유미나 (2016). 학습분석학 관점에서 학습자의 자기주도학습지원을 위한 학습 데이터 탐색 연구. 교육공학연구, 32(3), 453-499.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.