Computational Thinking 기반 인공지능교육을 통한 학습자의 인지적역량 평가 프레임워크 설계 Designing the Framework of Evaluation on Learner's Cognitive Skill for Artificial Intelligence Education through Computational Thinking원문보기
본 연구에서는 Computational Thinking 기반의 인공지능(AI)교육에 대한 학습자의 내재적 사고의 변화를 살펴보기 위한 평가도구 개발의 기준과 프레임워크를 구성하여 제시하고자 하였다. 이를 위해 데이터수집을 위한 인지적 학습보조(Agency)의 단계, 수집된 데이터의 특징을 분해하여 데이터의 패턴을 인식하고 카테고리화 과정을 수행하는 추상화(Abstracting)의 단계, 추상화과정을 수행한 정제된 데이터를 토대로 알고리즘을 구성하는 모델링(Modeling)단계의 일련의 순차적 과정이 평가요소로 구성되었다. 또한 학습자의 인식, 학습, 행동, 결과에 대한 인지적영역에 대한 평가가 구성되었으며, 학습자의 문제해결의 과정과 결과에 대하여 지식, 역량, 태도의 영역에 대하여 측정을 하게 됨으로써 AI교육에 대한 학습의 내재적인 인지영역의 변화와 결과에 대한 평가를 할 수 있도록 프레임 워크가 설계되었다. 연구의 결과는 교수학습의 맥락에 따른 개별화된 평가도구 개발에 대한 프레임워크를 구성하였다는 점에서 의미가 있으며, 향후 AI교육의 다양한 영역에서 활용될 수 있는 기준으로서 활용될 수 있을 것이다.
본 연구에서는 Computational Thinking 기반의 인공지능(AI)교육에 대한 학습자의 내재적 사고의 변화를 살펴보기 위한 평가도구 개발의 기준과 프레임워크를 구성하여 제시하고자 하였다. 이를 위해 데이터수집을 위한 인지적 학습보조(Agency)의 단계, 수집된 데이터의 특징을 분해하여 데이터의 패턴을 인식하고 카테고리화 과정을 수행하는 추상화(Abstracting)의 단계, 추상화과정을 수행한 정제된 데이터를 토대로 알고리즘을 구성하는 모델링(Modeling)단계의 일련의 순차적 과정이 평가요소로 구성되었다. 또한 학습자의 인식, 학습, 행동, 결과에 대한 인지적영역에 대한 평가가 구성되었으며, 학습자의 문제해결의 과정과 결과에 대하여 지식, 역량, 태도의 영역에 대하여 측정을 하게 됨으로써 AI교육에 대한 학습의 내재적인 인지영역의 변화와 결과에 대한 평가를 할 수 있도록 프레임 워크가 설계되었다. 연구의 결과는 교수학습의 맥락에 따른 개별화된 평가도구 개발에 대한 프레임워크를 구성하였다는 점에서 의미가 있으며, 향후 AI교육의 다양한 영역에서 활용될 수 있는 기준으로서 활용될 수 있을 것이다.
The purpose of this study is to design the framework of evaluation on learner's cognitive skill for artificial intelligence(AI) education through computational thinking. To design the rubric and framework for evaluating the change of leaner's intrinsic thinking, the evaluation process was consisted ...
The purpose of this study is to design the framework of evaluation on learner's cognitive skill for artificial intelligence(AI) education through computational thinking. To design the rubric and framework for evaluating the change of leaner's intrinsic thinking, the evaluation process was consisted of a sequential stage with a) agency that cognitive learning assistance for data collection, b) abstraction that recognizes the pattern of data and performs the categorization process by decomposing the characteristics of collected data, and c) modeling that constructing algorithms based on refined data through abstraction. The evaluating framework was designed for not only the cognitive domain of learners' perceptions, learning, behaviors, and outcomes but also the areas of knowledge, competencies, and attitudes about the problem-solving process and results of learners to evaluate the changes of inherent cognitive learning about AI education. The results of the research are meaningful in that the evaluating framework for AI education was developed for the development of individualized evaluation tools according to the context of teaching and learning, and it could be used as a standard in various areas of AI education in the future.
The purpose of this study is to design the framework of evaluation on learner's cognitive skill for artificial intelligence(AI) education through computational thinking. To design the rubric and framework for evaluating the change of leaner's intrinsic thinking, the evaluation process was consisted of a sequential stage with a) agency that cognitive learning assistance for data collection, b) abstraction that recognizes the pattern of data and performs the categorization process by decomposing the characteristics of collected data, and c) modeling that constructing algorithms based on refined data through abstraction. The evaluating framework was designed for not only the cognitive domain of learners' perceptions, learning, behaviors, and outcomes but also the areas of knowledge, competencies, and attitudes about the problem-solving process and results of learners to evaluate the changes of inherent cognitive learning about AI education. The results of the research are meaningful in that the evaluating framework for AI education was developed for the development of individualized evaluation tools according to the context of teaching and learning, and it could be used as a standard in various areas of AI education in the future.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 AI교육에 대한 평가도구 개발의 프레임워크를 설계하는데 목적을 두고 있다. AI교육에 대한 다양한 관점과 방향이 제시되고 있는 가운데, Computational Thinking 기반의 AI교육에 대한 신승기(2019)의 교수학습모형과 설계에 대한 관점을 토대로 평가도구 개발을 위한 프레임워크를 설계하고자 하였다. AI교육은 추상화 과정을 핵심사고과정으로 알고리즘 개발과 모델링을 통한 인공지능기반 문제해결모형의 자동화과정으로 구성된다[15].
CT기반 AI교육의 평가요목을 구성하기 위하여 본 연구에서는 Kirkpatrick(1959)의 네가지 영역인 반응, 학습, 행동, 결과를 토대로 세부요소를 살펴보고 이를 기반으로 인지적 평가도구 개발을 위한 프레임워크를 설계하고자 하였다. 본 연구에서는 기존의 Kirkpatrick(1959)의 모형을 개선한 The New Kirkpatrick Model(2015)의 영역과 세부요소에 대한 분석을 통해 본 연구에서 개발하고자 하는 인지적영역의 평가를 위한 프레임워크 설계를 위하여 아래의 [Table 2] 와 같이 Kirkpatrick 평가모형을 정리하였다.
이는 Computational Thinking에 대한 이전의 연구에서 학습과정에 대한 관찰과 학습 결과에 대한 학습자의 내재적 변화를 살펴볼 수 있는 질적평가방법으로서의 평가가 추진되어야 한다는 의견과 일치한다[3][4][8][23]. 따라서 Computational Thinking 기반의 AI교육 교수학습모형을 토대로 핵심요소에 대한 평가를 구성하기 위한 프레임워크를 제시하고자 하였으며, Kirkpatrick(1959)의 평가도구 개발모형을 활용하여 본 연구가 진행되었다.
따라서 본 연구에서는 인공지능교육을 위한 평가 방법을 제안하기 위하여 학습자의 인지적역량에 대한 평가 프레임워크를 설계할 수 있도록 하였다. 특히, 컴퓨팅사고력 기반의 인공지능교육에 대하여 평가도구를 개발하기 위한 루브릭을 구성하는 것에 목표를 두었으며, 실제적인 평가 문항의 개발을 지양하고 거시적 프레임워크를 구성하여 학습환경과 관련 활동을 근간으로 해당 역량을 평가할 수 있는 방향성을 제시하는데 목표를 두고 있다.
본 연구는 AI교육에 대한 평가도구 개발의 프레임워크를 설계하는데 목적을 두고 있다. AI교육에 대한 다양한 관점과 방향이 제시되고 있는 가운데, Computational Thinking 기반의 AI교육에 대한 신승기(2019)의 교수학습모형과 설계에 대한 관점을 토대로 평가도구 개발을 위한 프레임워크를 설계하고자 하였다.
본 연구를 통해 제시하고자하는 결과는 AI교육을 통한 학습자의 인지적역량에 대한 평가 프레임워크를 설계하는 것이다. 평가는 교수학습목표로부터 시작된 교육내용 및 방법과 밀접한 관련성이 있다는 Tyler(1949)과 Bloom(1956)의 교수학습설계에 대한 일련의 단계를 근간으로 하여, 신승기(2019)의 연구에 제시된 Computational Thinking 기반의 AI교육을 위해 설계된 교수학습모형을 토대로 평가의 세부요소를 구성하고자 하였다.
본 연구에서는 Computational Thinking 기반의 인공 지능(AI)교육에 대한 교수학습설계의 과정에서 평가를 위한 프레임워크를 구성하고자 하였으며, 기존의 일반적인 평가방법으로 활용된 표준화된 양적평가도구 개발의 형태를 지양하고 학습자의 내재적 사고의 변화를 살펴보기 위한 평가도구 개발의 기준과 프레임워크를 구성하여 제시하고자 하였다. 이는 Computational Thinking에 대한 이전의 연구에서 학습과정에 대한 관찰과 학습 결과에 대한 학습자의 내재적 변화를 살펴볼 수 있는 질적평가방법으로서의 평가가 추진되어야 한다는 의견과 일치한다[3][4][8][23].
따라서 본 연구에서는 인공지능교육을 위한 평가 방법을 제안하기 위하여 학습자의 인지적역량에 대한 평가 프레임워크를 설계할 수 있도록 하였다. 특히, 컴퓨팅사고력 기반의 인공지능교육에 대하여 평가도구를 개발하기 위한 루브릭을 구성하는 것에 목표를 두었으며, 실제적인 평가 문항의 개발을 지양하고 거시적 프레임워크를 구성하여 학습환경과 관련 활동을 근간으로 해당 역량을 평가할 수 있는 방향성을 제시하는데 목표를 두고 있다. 이는 평가도구 개발은 교수학습내용을 근간으로 개별화 및 다양화되야 한다는 Hsieh와 Shannon(2005)의 의견과 일치 한다고 할 수 있다.
본 연구를 통해 제시하고자하는 결과는 AI교육을 통한 학습자의 인지적역량에 대한 평가 프레임워크를 설계하는 것이다. 평가는 교수학습목표로부터 시작된 교육내용 및 방법과 밀접한 관련성이 있다는 Tyler(1949)과 Bloom(1956)의 교수학습설계에 대한 일련의 단계를 근간으로 하여, 신승기(2019)의 연구에 제시된 Computational Thinking 기반의 AI교육을 위해 설계된 교수학습모형을 토대로 평가의 세부요소를 구성하고자 하였다.
제안 방법
컴퓨팅사고력에 대한 교수학습내용과 방법에 대한 설계에 대한 연구가 본격적으로 시작된 2006년부터 평가방법과 표준화된 평가도구 개발을 위한 연구가 지속적으로 실시되었으나, 인간의 내재적인 사고과정을 평가해야 한다는 점에서 학습자의 문제해결과정과 반응에 대한 관찰과 설문을 통한 질적평가가 요구된다는 결과가 지속적으로 나타나고 있다. 또한, 양적평가를 위한 평가도구 개발에도 교수학습과정과 맥락을 고려한 개별화 평가도구가 필요하다는 관점을 토대로 본 연구에서는 평가도구개발을 위한 프레임워크를 설계하여 아래의 [Table 3]과 같이 평가도구개발을 위한 루브릭을 구성하였다.
위계가 고려된 순차적인 과정으로 구성되어 있으며 학습자의 반응, 학습, 행동, 결과에 대한 내용으로 단계가 제시되어 있으며, 최근에는 평가단계의 세부내용을 보완하고 구체화하여 개선되어 2015년에 발표된 모형인 The New Kirkpatrick Model이 널리 활용되고 있다. 본 연구에서는 Kirkpatrick(1959)의 4단계 평가요소를 기반으로 AI학습의 요소와 인지적역 량을 교차하여 평가할 수 있도록 설계하였다.
알고리즘 구현(Modeling)단계의 평가요소는 알고리즘 모델링(Algorithm Modeling), 알고리즘의 검증 (Trials and Errors), 알고리즘의 적용을 통한 데이터 구체화(Data Visualization)의 단계로 알고리즘을 정제하고 일반화할 수 있도록 제시되었다.
특히, 컴퓨팅사고력을 근간으로 이루어지는 문제해결의 인지적역량을 기른다는 관점에서 학습자의 내재적 변화정도를 측정해야하기 때문에 교수학습에 대한 각각의 맥락을 기반으로 실제적인 평가문항이 개발되어야 한다. 이는 표준화된 양적평가도구를 제시하는 것이 제한됨을 의미하므로 질적평가를 위한 프레임워크를 설계하는 과정을 통해 학습자의 다면적인 평가를 통한 학습과정과 결과에 대한 관찰과 측정의 관점으로 연구를 설계하였다.
본 연구를 통해 제시된 Computational Thinking 기반의 AI교육을 위한 평가프레임워크는 크게 세가지 축으로 구성되어 측정이 필요한 영역에 대한 세부적인 루브릭을 활용하여 평가도구를 개발하는 기준으로 활용될 수 있도록 제시되었다. 특히, AI교육의 핵심요소인 데이터수집을 위한 인지적학습보조(Agency)의 단계, 수집된 데이터의 특징을 분해하여 데이터의 패턴을 인식하고 카테고리화 과정을 수행하는 추상화(Abstracting)의 단계, 추상화과정을 수행한 정제된 데이터를 토대로 알고리즘을 구성하는 모델링(Modeling)단계의 일련의 순차적 과정에 대한 학습자의 인식, 학습, 행동, 결과에 대한 인지적영역에 대한 평가가 구성되었다. 아울러 학습자의 문제해결의 과정과 결과에 대하여 지식, 역량, 태도의 영역에 대한 측정을 통해 AI교육에 대한 학습의 내재적인 인지영역의 변화와 결과에 대한 평가를 할 수 있도록 프레임워크가 제시되었다.
학습자의 인지적역량을 평가하기 위한 요소로서 Bloom(1956)의 학습영역에 대한 분류기준을 토대로 Kirkpatrick(2015)의 인지적학습에 대한 평가요소인 지식, 기능, 태도로서 AI교육에 대한 역량평가의 기준으로 구성하였다. 평가의 단계와 영역을 구성하기 위하여 Kirkpatrick(1959)의 연구에서 제시된 반응, 학습, 행동, 결과를 기준으로 평가의 위계를 제시하였으며, CT기반 AI교육을 위한 인지적평가의 3축 기반 평가도구 개발의 기준을 구성하여 [Fig. 1]과 같이 설계하여 평가 프레임워크를 구성하였다.
이론/모형
Computational Thinking 기반의 AI교육에 대한 평가도구 개발의 프레임워크 설계를 위하여 Bloom(1956)의 학습영역에 대한 분류기준(Three Domains of Learning)에 따라 교육목표를 인지적 영역(Cognitive Domain), 정의적 영역(Affective Domain), 심동적 영역(Psychomotor Domain)으로 구분하여 Kirlpatrick(1959)의 평가모형을 기반으로 프레임워크를 설계하고자 하였다. 이는 Brennan과 Resnick (2012)이 제시한 인지, 정의, 실천적 관점과 일치하는 영역이며, Kirlpatrick(1994)의 평가영역 인지식, 기술, 태도에 대한 관점과 같다고 할 수 있다.
본 연구에서는 기존의 Kirkpatrick(1959)의 모형을 개선한 The New Kirkpatrick Model(2015)의 영역과 세부요소에 대한 분석을 통해 본 연구에서 개발하고자 하는 인지적영역의 평가를 위한 프레임워크 설계를 위하여 아래의 [Table 2] 와 같이 Kirkpatrick 평가모형을 정리하였다.
이를 위한 평가방법으로, Polya(1957)의 4단계 문제해결과정인 “문제이해 → 계획수립 → 계획실행 → 계획반성”을 기반으로 컴퓨팅사고력에 따른 학습과정과 결과의 관찰을 통해 평가가 진행되었다[8].
컴퓨팅사고력 기반의 평가도구 개발의 연구를 수행한 Brennan & Resnick(2012)의 연구에도 인지, 정의, 실천적 관점으로 인지적 영역의 평가요소를 제시하였다는 점이 고려되었으며, 21세기 핵심역량으로 컴퓨팅사고력의 함양이 요구된다는 점에서 본 연구에서는 Kirkpatrick(2015)이 제시한 역량기반의 평가요소인 지식, 역량, 태도를 인지적 역량평가의 구성요소로 활용하였다.
평가도구 개발은 일반적으로 Kirkpatrick(1959)가 제시한 4단계 평가모형을 기반으로 수행된다. 위계가 고려된 순차적인 과정으로 구성되어 있으며 학습자의 반응, 학습, 행동, 결과에 대한 내용으로 단계가 제시되어 있으며, 최근에는 평가단계의 세부내용을 보완하고 구체화하여 개선되어 2015년에 발표된 모형인 The New Kirkpatrick Model이 널리 활용되고 있다.
학습자의 인지적역량을 평가하기 위한 요소로서 Bloom(1956)의 학습영역에 대한 분류기준을 토대로 Kirkpatrick(2015)의 인지적학습에 대한 평가요소인 지식, 기능, 태도로서 AI교육에 대한 역량평가의 기준으로 구성하였다. 평가의 단계와 영역을 구성하기 위하여 Kirkpatrick(1959)의 연구에서 제시된 반응, 학습, 행동, 결과를 기준으로 평가의 위계를 제시하였으며, CT기반 AI교육을 위한 인지적평가의 3축 기반 평가도구 개발의 기준을 구성하여 [Fig.
성능/효과
본 연구를 통해 제시된 Computational Thinking 기반의 AI교육을 위한 평가프레임워크는 크게 세가지 축으로 구성되어 측정이 필요한 영역에 대한 세부적인 루브릭을 활용하여 평가도구를 개발하는 기준으로 활용될 수 있도록 제시되었다. 특히, AI교육의 핵심요소인 데이터수집을 위한 인지적학습보조(Agency)의 단계, 수집된 데이터의 특징을 분해하여 데이터의 패턴을 인식하고 카테고리화 과정을 수행하는 추상화(Abstracting)의 단계, 추상화과정을 수행한 정제된 데이터를 토대로 알고리즘을 구성하는 모델링(Modeling)단계의 일련의 순차적 과정에 대한 학습자의 인식, 학습, 행동, 결과에 대한 인지적영역에 대한 평가가 구성되었다.
후속연구
연구의 결과는 교수학습의 맥락에 따른 개별화된 평가도구 개발에 대한 프레임워크를 구성하였다는 점에서 의미가 있으며, 향후 AI교육의 다양한 영역에서 활용될 수 있는 기준으로서 활용될 수 있을 것이다. 아울러, AI 교육의 평가도구 개발을 위한 이론적 근거와 방향성을 제시하였다는 점에서도 의미를 갖는다고 할 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
AI교육의 평가 방법은 어떻게 분류되는가?
평가방법에 대한 연구는 크게 두가지로 분류하여 제시할수 있다[9]. 평가하고자 하는 영역에 대한 구체적인 평가도구를 개발하여 양적평가기반의 표준화 평가도구를 활용하는 것으로서, IQ검사 등이 이에 해당한다고 할 수 있다[9]. 반면, 평가하고자 하는 대상이 사고력과 같이 외부적으로 표현이 어렵거나 내재적인 변화가 나타나는 학습과정에 대한 평가의 경우 평가 루브릭을 기반으로 프레임워크를 제시하여 학습내용과 맥락에 따라 평가도구가 필요할때마다 세부평가기준과 내용을 구성하는 방법이 있으며, 과정중심평가 등 서술평검사 등이 이에 해당한다고 할 수 있다[9].
Zeng은 AI교육을 위해 무엇이 필요하다고 하였는가?
Zeng(2013)은 AI교육을 위해서는 인공지능사고력(AI Thinking)이 필요하다고 하였으며, 기존의 컴퓨터교육에서 바탕이 되는 컴퓨팅사고력의 추상적사고가 강조된 알고리즘 모델링 기반의 문제해결과정이라고 제시하였다[26].
AI기술에 대한 연구와 개발은 무엇과 흐름을 같이 하는가?
AI기술에 대한 연구와 개발은 컴퓨터의 역사와 흐름을 같이 한다고 할 수 있다. 특히 개념적 정의를 위해 인공지능(Artificial Intelligence)의 용어가 시작된 것은 1956년이라고 할 수 있으나 데이터저장과 통신망의 발달에 따라 2010년대에 이르러 급속한 발전을 거듭해왔다고 할 수 있다[14].
참고문헌 (26)
Bloom, B. S. (1956). Taxonomy of educational objectives. Vol. 1: Cognitive domain. New York: McKay, 20-24.
Bloom, B.S. (Ed.). Engelhart, M.D., Furst, E.J., Hill, W.H., Krathwohl, D.R. (1956). Taxonomy of Educational Objectives, Handbook I: The Cognitive Domain. New York: David McKay Co Inc.
Brennan, K., & Resnick, M. (2012, April). New frameworks for studying and assessing the development of computational thinking. In Proceedings of the 2012 annual meeting of the American Educational Research Association, Vancouver, Canada.
Hsieh, H. F., & Shannon, S. E. (2005). Three approaches to qualitative content analysis. Qualitative health research, 15(9), 1277-1288.
Kirkpatrick, D., & Kirkpatrick, J. (2006). Evaluating training programs: The four levels. Berrett-Koehler Publishers.
Kirkpatrick, J. (2015). An Introduction to the New World Kirkpatrick(R) Model. K. Partners (Ed.). Newnan, GA, USA: Kirkpatrick Partners, LLC.
Luckin, R., Holmes, W., Griffiths, M., and Forcier, L. B., Intelligence Unleashed: An Argument for AI in Education (2016), http://www.gettingsmart.com/wpcontent/uploads/2016/02/Pearson-Intelligence-Unleashed-v11-RW-WEB.pdf
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.
Mertens, D. M. (2014). Research and evaluation in education and psychology: Integrating diversity with quantitative, qualitative, and mixed methods. Sage publications.
Ministry of Science and ICT (2019). Announcement of National AI Strategy. Retrieved from https://msit.go.kr/web/msipContents/contentsView.do?cateIdmssw311&artId2405727
Oldridge, M. (2017). Is it about coding? No. It's about computational thinking. Retrieved from https://medium.com/@MatthewOldridge/is-it-about-coding-no-its-about-computational-thinking-fe0ba30add61
Raghavan, S. (2019). 2020 AI Predictions from IBM Research. Retrieved from https://www.ibm.com/blogs/research/2019/12/2020-ai-predictions/
Ryu, M., and Han, S. (2019). AI Education Programs for Deep-Learning Concepts. Journal of The Korean Association of Information Education Vol. 23, No. 6, December 2019, pp. 583-590.
Shin, G. (2015). The Big Data World, Principles and Uses. KOCW. Retrieved from http://www.kocw.net/home/cview.do?mtyp&kemId1132874
Shin, S. (2019). Designing the Instructional Framework and Cognitive Learning Environment for Artificial Intelligence Education through Computational Thinking. Journal of The Korean Association of Information Education Vol. 23, No. 6, December 2019, pp. 639-653
Shin, S. and Bae, Y. (2015). A Study on the Hierarchical Instructional System Design of Software Education by School System. Journal of The Korean Association of Information Education Vol. 19, No. 4, pp. 533-544.
Shin, S., Bae, Y. (2018). The Concept of Computational Thinking through Analysis of Computer Education Framework in the United States and its Implications for the Curriculum of Software Education. Journal of The Korean Association of Information Education. Vol 22, No. 2. pp. 252-262.
Silapachote, P., & Srisuphab, A. (2017). Engineering Courses on Computational Thinking Through Solving Problems in Artificial Intelligence. International Journal of Engineering Pedagogy, 7(3), 34-49.
Tabesh, Y. (2017). Computational thinking: A 21st century skill. Olympiads in Informatics, 11, 65-70.
Touretzky, D., Gardner-McCune, C., Martin, F., & Seehorn, D. (2019). Envisioning AI for K-12: What should every child know about AI.
Touretzky, D., Martin, F., Seehorn, D., Breazeal, C., & Posner, T. (2019, February). Special Session: AI for K-12 Guidelines Initiative. In Proceedings of the 50th ACM Technical Symposium on Computer Science Education (pp. 492-493). ACM.
Tyler, R. W. (1949). Tyler, Ralph W., Basic Principles of Curriculum and Instruction. Chicago: The University of Chicago Press, 1949.
Wang, Y., Li, H., Feng, Y., Jiang, Y., & Liu, Y. (2012). Assessment of programming language learning based on peer code review model: Implementation and experience report. Computers & Education, 59(2), 412-422.
Wing, J. (2011). Research notebook: Computational thinking-What and why? The Link Magazine, Spring. Carnegie Mellon University, Pittsburgh. Retrieved from http://link.cs.cmu.edu/article.php?a600
Zeng, D. (2013). From computational thinking to ai thinking. IEEE Intelligent Systems, (6), 2-4.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.