플랫폼은 교육 지원을 위한 생성형 인공지능(GAI)을 활용하여 사용자의 다양한 필요에 맞춤화된 학습 경험을 제공합니다. 또한, 학습 과정을 풍요롭게 할 뿐만 아니라 디지털 시대의 지속 가능한 개발 목표에 부합하는 평생 학습 역량을 육성하는 풍부한 실용적 학습 접근 방식을 제공합니다.
플랫폼은 교육 지원을 위한 생성형 인공지능(GAI)을 활용하여 사용자의 다양한 필요에 맞춤화된 학습 경험을 제공합니다. 또한, 학습 과정을 풍요롭게 할 뿐만 아니라 디지털 시대의 지속 가능한 개발 목표에 부합하는 평생 학습 역량을 육성하는 풍부한 실용적 학습 접근 방식을 제공합니다.
발생형 인공지능(GAI)은 최근 몇 년간 중요한 발전을 이루어, 동적인 콘텐츠 생성 및 개인화된 학습 경로를 가능하게 함으로써 교육에 변혁적인 잠재력을 보여주었습니다. 그러나 많은 기존의 교육 플랫폼은 정적인 콘텐츠와 고정된 경로에 의존하여, GAI의 기능을 완전히 활용하여 일관성 있고 적응성 있는 학습 경험을 창출하는 데 필요한 통합 구조를 부족하게 하고 있습니다. 이러한 차이를 해소하기 위해, 본 연구는 GAI를 기반으로 한 새롭고 종합적인 교육 플랫폼의 설계, 구현 및 실증적 평가를 상세히 설명합니다. 이 플랫폼은 기존의 틀을 넘어서는 3층 구조를 기반으로 합니다: 모듈식 AI 모델(예: 변환기, 주의 기반 CNN-BiLSTM)을 통합하는 기본 기술 층, 실시간 데이터 합성 및 모델 최적화를 담당하는 처리 센터, 개인화된 학습, 지능형 Q&A, 역량 평가 등 8가지 핵심 기능 모듈을 포함하는 애플리케이션 및 상호 작용 층입니다. 이러한 통합 구조는 개별 학습자의 필요와 진행에 지속적으로 적응하는 동적으로 커스터마이징 가능한 학습 경험을 가능하게 합니다. 플랫폼의 효과를 평가하기 위해, 우리는 2학기에 걸쳐 50명의 대학생과 20명의 교육자를 대상으로 무작위 대조 실험(RCT)을 실시하고, 전통적 방법을 사용하는 대조군과 결과를 비교했습니다. 실험 결과, 제안된 플랫폼이 학습 결과를 유의미하게 향상시키고, 학생 참여 지표(예: 과제 시간 및 콘텐츠 상호 작용률)를 증가시키며, 개인화된 콘텐츠 매칭에서 높은 정확도를 달성한다는 것을 보여주었습니다. 이러한 결과는 이 GAI 기반 플랫폼이 효과적으로 교육을 개인화하고 대규모의 적응형 학습을 지원함으로써 교육 기술의 발전을 구성한다는 것을 시사합니다. 이 연구는 상세하고 복제 가능한 구조적 청사진을 제공하고, 통합된 GAI 시스템이 교육 효과를 향상시키고 평생 학습 역량을 촉진하는 데 실증적 가치를 지원하는 증거를 제공합니다. ```
기술 혁신, 특히 인공지능(AI) 분야의 가속화 속에, AI와 같은 도구들은 엔지니어링 교육에서 점점 더 많이 활용되고 있습니다. 동시에, 지속 가능한 개발을 촉진하는 것이 글로벌한 추구라는 데 대한 합의가 이루어지고 있습니다. 따라서, 엔지니어링 교육에 지속 가능한 개발을 통합하는 것은 산업 기술 수준을 향상시키고 학습자의 지속 가능성 인식을 강화하는 것이 되었고, 이는 현재 교육 개혁의 핵심 초점이 되고 있으며, AI를 활용한 교육 혁신을 추진하고 있습니다. 교육에서 AI의 활용은 개인화된 학습의 가능성을 열어 놓습니다. 특히, GAI는 교수 및 학습 환경에 변혁적인 잠재력을 제공합니다. 그것은 다양한 형태의 콘텐츠를 동적으로 생성하고 개별 학습자 프로파일에 맞게 학습 자원을 적응시킬 수 있어, 참여도와 효과성을 향상시킬 수 있습니다. 이 기술은 다양한 형식의 콘텐츠를 생성하고, 맞춤형 학습 자료를 만들 수 있습니다. 또한, 개별 학습자 프로파일에 맞게 학습 자원을 동적으로 적응시켜 참여도와 학습 효과를 향상시킬 수 있습니다1. 또한, 이 플랫폼은 학습자의 진행 상황에 맞게 적응하도록 설계되었습니다. 그것은 동적으로 콘텐츠 제시를 조정하고 개별 목표에 맞는 학습 활동을 권장하여 학습 결과를 최적화하는 것을 목표로 합니다.
그러나 교육 플랫폼에 AI를 통합하려면 상당한 기술적 장애물을 극복해야 합니다. 첫째, 딥러닝 모델은 교육 기준을 충족하는 고품질 콘텐츠를 생성할 수 있도록 대규모 데이터 세트로 학습되어야 합니다. 둘째, 강화 학습 알고리즘은 개별 사용자를 위한 학습 경로를 정확하게 사용자 지정할 뿐만 아니라 교육 콘텐츠의 완전성을 유지하기 위해 미세하게 조정되어야 합니다. 또한, 자연어 처리 기능은 인간과 같은 대화를 시뮬레이션하고 실시간 피드백을 제공할 수 있는 대화형 튜토리얼 시스템을 만드는 데 필수적입니다2,3,4. 이러한 배경 속에서 가이드 인 기술(GAI)을 최대한 활용하여 개인화되고 참여도가 높으며 적응력 있는 학습 경험을 제공할 수 있는 종합적인 교육 플랫폼이 절실히 필요합니다5. 이러한 플랫폼은 온라인 교육의 풍경을 개편하고 더욱 적응력 있고 개인화된 교육을 지원함으로써 현대 평생 학습 패러다임의 목표에 부합하고 지원할 가능성이 큽니다. 이 새로운 시대에는 교육 콘텐츠가 고정된 상태로 남아있지 않고, 학습자의 개인 성장과 끊임없이 변화하는 필요에 따라 진화할 것입니다.
기존 연구는 인공지능 및 대규모 모델과 같은 신흥 기술이 엔지니어링 교육의 교수 및 학습 품질을 효과적으로 향상시킬 수 있음을 보여주었습니다5 그리고 많은 연구들이 개인화된 교육 플랫폼에서 GAI의 잠재적 활용을 탐구하여 학생들에게 맞춤형 학습 경험을 제공하는 것을 목표로 합니다6. 동시에, 지속 가능한 개발을 위한 교육(ESD)은 글로벌 엔지니어링 교육에서 점점 핵심 우선 순위가 되고 있으며, 기존 연구들은 지속 가능성 인식과 시스템 생각이 현대 엔지니어들에게 필수적인 핵심 역량이라는 것을 일관되게 강조하고 있습니다7. 이러한 중요한 교육 수요를 해결하기 위해, 이 연구에서 제안된 GAI 아키텍처는 ESD 학습 목표와 엔지니어링 기술 구
본 연구는 홍콩 교육대학교의 윤리 지침에 따라 수행되었습니다. 데이터 수집 전에 모든 참가자의 동의를 얻었습니다.
1. 플랫폼 사양
평가된 시스템은 웹 기반 애플리케이션으로 구현된 맞춤형 연구 프로토타입입니다. 소프트웨어 환경은 Python 3.9와 TensorFlow 2.12로 구축되었습니다. 핵심 AI 모델(CNN-BiLSTM, Transformer)은 서버 기반 처리 파이프라인 내의 NVIDIA A100 GPU(40 GB VRAM)에 호스팅됩니다. 아키텍처는 세 가지 계층으로 구성됩니다: 첫 번째로, 주의 강화 CNN-BiLSTM 네트워크, Transformer 모듈 및 강화 학습 구성 요소를 통합하는 기본 기술 계층, 두 번째로, 실시간 다중 모드 데이터 융합 및 모델 최적화를 위한 처리 센터, 그리고 세 번째로, 개인화 학습, Q&A, 역량 평가 및 행동 분석을 포함한 8개의 기능 모듈이 있는 애플리케이션 계층(그림 1)입니다.
2. 훈련 데이터 준비 및 선별
공개 교육 저장소(예: 개방형 온라인 강의 내용 및 교육 동영상 상호작용 로그)와 비공개 출처에서 다중 모드 데이터세트를 수집합니다. 파일럿 테스트 기간(2024년 1월-6월) 동안 50명의 학부생과 20명의 교육자로부터 익명화된 상호작용 로그를 수집합니다. 다음 고정 절차에 따라 spaCy v3.5(Honnibal et al., 2020)를 사용하여 텍스트를 전처리합니다. 첫 번째로, 사전 훈련된 일반 학문 영어 모델 en_core_web_md를 로드합니다. 두 번째로, 모델의 기본 학술용 최적화 토크나이저를 사용하여 토크나이제이션을 수행합니다. 이는 기술 공학 및 지속 가능한 개발 용어를 적절하게 처리합니다. 세 번째로, 모델의 기본 규칙 기반 및 통계적 하이브리드 어간화기를 사용하여 어간화를 수행합니다. 사용자 정의 어간화 규칙은 적용되지 않습니다. 다음 고정 단계를 사용하여 비디오 프레임을 224 x 224 해상도로 정규화합니다. 첫 번째로, 쌍선형 보간을 사용하여 모든 프레임의 크기를 조정합니다. 이는 교육 동영상 프레임 전처리의 표준 방법입니다. 두 번째로, 획일적 크기 조정 외에 추가 색상 정규화 또는 크로핑을 적용하지 않고 원본 교육 콘텐츠를 보존합니다. 다음 고정 절차에 따라 프라이버시 준수를 보장하기 위해 개인 식별 정보를 제거합니다. 첫 번째로, en_core_web_md 모델 내의 spaCy v3.5 명명된 개체 인식 모듈을 사용하여 모든 개인 이름, 이메일 주소, 전화번호 및 기관 식별자를 자동으로 감지하고 삭제합니다. 두 번째로, 모든 전처리된 텍스트 및 비디오 프레임의 무작위 10퍼센트 샘플을 수동으로 검토하여 최종 데이터세트에서 PII 제거가 완료되었는지 확인합니다. 불일치가 발견되지 않았습니다.
3. 모델 학습 및 검증
학습에는 세 가지 패러다임이 사용되었습니다: 첫 번째로, 레이블이 지정된 상호작용 로그로부터 학생 성과를 예측하기 위한 지도 학습(Adam 최적화, 학습률 = 1e-4, 배치 크기 = 32); 두 번째로, 별개의 행동 패턴을 식별하기 위한 비지도 K-means 클러스터링(k = 5); 그리고 세 번째로, 적응형 콘텐츠 추천을 위한 강화 학습(참여 x 정확도로 정의된 보상 함수). 하이퍼파라미터는 보유된 검증 세트에 대한 100회 무작위 검색을 통해 튜닝되어 견고성을 보장합니다. 모델의 입력 데이터는 전처리된 익명화된 다중 모드 스트림으로 구성되었습니다: 토크나이즈된 텍스트 시퀀스, 224 x 224 RGB 비디오 프레임 및 구조화된
무작위 대조 실험은 GAI 플랫폼 그룹(실험)과 전통적인 LMS 그룹(대조) 사이에 중요한 차이를 나타냈습니다. 학습 이득의 경우 실험 그룹이 후속 테스트에서 대조 그룹보다 점수가 유의하게 높았습니다(M = 85.2, SD = 6.4 대조 M = 76.8, SD = 7.1); 평균 차이 = 8.4, 95% CI [4.5, 12.3], t(68) = 4.32, p < 0.001, Cohen’s d = 1.02. 참여(태스크 시간)의 경우 실험 그룹은 대조 그룹보다 더 많은 시간을 보냈습니다(M = 42.5분, SD = 8.2) (M = 28.7분, SD = 9.5); 평균 차이 = 13.8분, 95% CI [8.4, 19.2], t(68) = 5.15, p < 0.001, d = 1.21. 사용자 만족도의 경우 실험 그룹은 대조 그룹보다 더 높은 평가를 보고했습니다(M = 6.2, SD = 0.7) (M = 4.8, SD = 1.1); 평균 차이 = 1.4, 95% CI [0.9, 1.9], t(68) = 5.87, p < 0.001, d = 1.38. 모든 결과는 큰 효과 크기와 함께 통계적으로 유의한 개선을 보였으며, 이는 제안된 플랫폼의 효과를 확인합니다.
기본 기술 레이어
기본 기술 레이어는 다양한 학습 기반 신경망의 구현을 위한 플랫폼에 기반 지원을 제공합니다. 이 레이어에는 선형 통계 방법, 주의 기반 CNN-BiLSTM 네트워크, 변환자 아키텍처 및 강화 학습 기술과 같은 여러 실용적인 모듈이 포함되어 있습니다. 또한 이러한 모듈은 배포 후 설치를 지원하여 플랫폼의 유연성을 향상시킵니다. 그림 2는 플랫폼에 포함된 모든 선형 통계 기술을 보여줍니다.
선형 통계 모델은 선형 모델이라고 하는 통계 모델의 한 종류입니다22. 이 논문에서 언급된 기술 중 선형 회귀, 로지스틱 회귀, 다중 회귀 및 단계별 회귀 등은 선형 모델입니다. 이러한 확립된 통계 방법을 통해 데이터 추세와 변수 관계를 식별할 수 있습니다. 이러한 분석 기반은 플랫폼의 애플리케이션에서 더욱 정보에 입각한 데이터 기반 의사 결정을 지원합니다. 그림 3, 그림 4, 그림 5는 각각 강화 학습 방법, CNN-BiLSTM 및 변환자 네트워크의 프레임워크를 보여줍니다. 이러한 프레임워크는 플랫폼의 강건성과 다양성을 지원하여 다양한 계산 요구 사항과 학습 애플리케이션을 충족시키는 방법을 보여줍니다.
플랫폼의 컨텍스트에서 강화 학습은 사용자 상호 작용(예: 태스크 완료, 피드백 등급) 및 성과 결과에서 파생된 누적 보상을 최대화하여 개인화된 학습 경로 및 콘텐츠 권장 사항을 위한 의사 결정을 최적화합니다. 기본 솔루션 접근 방식은 동적 프로그래밍, 몬테카를로 방법 및 시차 학습으로 세 범주로 나뉩니다. 최근 심층 강화 학습은 심층 학습 방법(예: 컨볼루션 신경망 및 순환 신경망)을 사용하여 여러 도전적인 분야에서 인간 성과를 초월하는 데 성공했습니다31.
그림 4에 나타난 바와 같이 통합된 CNN-BiLSTM 모델은 컨볼루션 신경망(CNN)과 양방향 장단기 기억 신경망(BiLSTM)의 장점을 활용합니다. 공간 특성을 추출하면서 동시에 시간 의존성을 포착함으로써 이 모델은 다차원 데이터에 특화되어 있습니다. 이 모델은 복잡한 데이터 세트를 처리하고 플랫폼이 멀티미디어 분석 및 자연어 처리와 같은 도전적인 작업을 처리하는 능력을 크게 향상시킵니다.
본 연구는 중심 연구 가설을 검증하기 위해 시작되었습니다: GAI가 활성화된 개인화된 학습 플랫폼이 공학 학습자의 인지 부담을 크게 줄이고, 학습 효율성을 향상시키며, 기존의 개인화되지 않은 공학 교육 모델에 비해 ESD 관련 학습 결과와 전반적인 학습 경험을 향상시킬 수 있다는 것입니다. 무작위 RCT 결과는 이 가설에 대한 완전한 경험적 지원을 제공하며, 우리의 사전 지정된 결과와 직접 일치하는 세 가지 주요 발견을 제공합니다. 첫째, 플랫폼의 지속적인 학습 분석 기반 개인화는 학습자의 외부 인지 부담을 크게 줄였습니다. 이는 개입 그룹의 학습 효율성(지식 숙달 시간)의 45% 개선이 대조군에 비해 나타났으며, 이는 교육 환경에서 AI 기반 인지 부담 완화에 대한 이전 연구를 확장합니다. 둘째, 플랫폼의 통합된 3층 아키텍처는 확장 가능하고 교육학적으로 정렬된 개인화된 지도를 가능하게 하여, 기존 학습 관리 시스템에 비해 훨씬 높은 시험 후 학습 증진(p < 0.001, Cohen's d = 1.02)과 더 큰 과제 시간 참여를 가져왔으며, 이는 GAI의 적응형 학습 능력에 대한 이전 연구와 일치하며 이를 발전시킵니다. 셋째, 플랫폼의 내장된 ESD 역량 프레임워크와 지속 가능한 엔지니어링 설계 모듈은 학습자의 지속 가능성 인식 및 시스템 사고 역량에 중요한 개선을 가져왔으며, 이는 기술 아키텍처 설계에 지속 가능성 결과 통합을 크게 간과한 기존 GAI 교육 플랫폼의 중요한 격차를 해소합니다.
교육에서 GAI에 대한 기존 연구는 주로 기존 도구의 점진적 기능 최적화 및 분리된 응용 사례 연구에 초점을 맞추었으며, 공학 ESD 컨텍스트에 대한 통합된, 확장 가능하고 교육학적으로 견고한 통합 아키텍처는 없었습니다. 우리의 연구는 이러한 이전 연구를 세 가지 핵심 방식으로 발전시킵니다. 첫째, 우리는 모드 데이터 처리, 다중 패러다임 AI 모델 및 ESD 정렬 기능 모듈을 응집성 있는 시스템으로 통합하는 표준화되고 복제 가능한 3층 아키텍처 패러다임을 수립하여, 이전 플랫폼에서 식별된 모듈 디자인의 조각화 및 시나리오 간 상호 운용성의 저하 같은 광범위한 문제를 해결합니다. 둘째, 우리는 통합된 GAI 아키텍처가 인지 및 정서적 학습 결과에 미치는 인과 영향에 대한 엄격한 RCT 증거를 제공하여, 공학 교육에서의 GAI 교육 플랫폼의 견고한 경험적 검증 부족을 해결합니다. 셋째, 우리는 GAI 기술 디자인과 지속 가능성 교육 결과 간의 연결을 실현하여, 이전 작업에서 보조적 추가 기능으로 취급한 것이 아니라, AI 교육 플랫폼의 핵심 아키텍처에 ESD 역량 교육을 내장하는 실용적인 청사진을 제공합니다.
미래 연구는 대규모 다기관 검증, 몰입형 지속 가능 엔지니어링 설계 학습을 위한 다중모드 AI 통합, 그리고 ESD 역량 유지에 대한 장기적 영향 평가에 초점을 맞출 것입니다. 알고리즘 공정성, 데이터 프라이버시, 인간-AI 협업 등의 윤리적 고려 사항에 특별한 주의를 기울여 책임 있는 배포를 보장할 것입니다. 궁극적으로, 이 연구는 생성형 AI에 의해 구동되는 더욱 효과적이고, 공평하며, 지속 가능한 평생 학습 환경을 구축하는 데 기여합니다.
| 질문 | 응답 요약 (N=70) |
| 작업 1. 플�� |
이해 상충: 저자는 공개할 관련 재정적 또는 비재정적 이해관계가 없습니다.
자금 지원이 없습니다.
| Name | Company | Catalog Number | Comments |
|---|---|---|---|
| A100 GPU (40 GB VRAM) | NVIDIA Corporation | 900-4H100-0000-000 | 서버 기반 처리 파이프라인 내에서 주요 AI 모델을 호스팅하는 데 사용됩니다. |
| en_core_web_md (spaCy 모델) | Explosion AI | https://spacy.io/models/en#en_core_web_md | 토큰화 및 원형 추출에 사용되는 사전 훈련된 일반 학술 영어 모델입니다. 버전: v3.5. |
| Python | Python Software Foundation | https://www.python.org/ | 소프트웨어 환경용 프로그래밍 언어입니다. 버전: 3.9. |
| SlimPajama 데이터셋 | Cerebras Systems Inc. | https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/ | RedPajama에서 파생된 대규모 오픈 소스 사전 훈련 코퍼스입니다. |
| spaCy | Explosion AI | https://spacy.io/ | 텍스트 전처리를 위한 자연어 처리 라이브러리입니다. 버전: 3.5. |
| TensorFlow | Google LLC | https://www.tensorflow.org/ | 오픈 소스 머신 러닝 프레임워크입니다. 버전: 2.12. |
Request permission to reuse the text or figures of this JoVE article
Request Permission