[논문 리뷰] Data, Trees, and Forests -- Decision Tree Learning in K-12 Education

Tilman Michaeli, Stefan Seegerer외 2명|arXiv (Cornell University)|2023. 05. 10.

Statistics Education and Methodologies인용 수 4

한 줄 요약

이 논문은 프로그래밍이나 컴퓨터 과학 지식이 전혀 필요 없는 낮은 장벽의 실습 방식으로, K-12 교육에서 지도 학습과 결정 트리 학습을 가르치기 위해 '비코딩' 의사결정 트리 활동과 시각적 데이터 분석 도구인 Orange를 결합한 교육 개념을 제시한다. 학생들은 개념적 이해를 바탕으로 실제 데이터셋에 머신러닝 방법을 적용함으로써 윤리적 문제와 실질적 머신러닝 한계에 대한 인식을 향상시킨다.

ABSTRACT

As a consequence of the increasing influence of machine learning on our lives, everyone needs competencies to understand corresponding phenomena, but also to get involved in shaping our world and making informed decisions regarding the influences on our society. Therefore, in K-12 education, students need to learn about core ideas and principles of machine learning. However, for this target group, achieving all of the aforementioned goals presents an enormous challenge. To this end, we present a teaching concept that combines a playful and accessible unplugged approach focusing on conceptual understanding with empowering students to actively apply machine learning methods and reflect their influence on society, building upon decision tree learning.

연구 동기 및 목표

• 프로그래밍이나 컴퓨터 과학 지식이 전혀 필요 없는 조건에서 K-12 교육에서 머신러닝을 가르치는 데 도전하는 것.
• 지도 학습의 개념적 이해를 실제 데이터셋을 활용한 실습 응용과 연결하는 것.
• 학생들이 머신러닝 방법과 그 사회적 영향을 탐색하고 비교하며 반성할 수 있도록 지원하는 것.
• 과학, 지리, 윤리 등 다양한 교과와 융합하여 데이터 과학 응용을 가능하게 하여 다학문적 학습을 지원하는 것.
• 비코딩 학습과 코드 없이도 모델을 구축할 수 있는 시각적 도구(Orange)를 조합함으로써 머신러닝 교육의 장벽을 낮추는 것.

제안 방법

• 학생들은 먼저 '원숭이 게임'이라는 비코딩 활동을 통해 수작업으로 결정 트리를 구성함으로써 결정 트리 학습의 논리를 이해한다.
• 그 후 동일한 데이터셋을 사용해 Orange라는 시각적 데이터 분석 도구를 활용해 결정 트리를 구축하고 훈련함으로써 수작업과 자동화된 방법을 비교한다.
• 코드 대신 데이터 플로우 다이어그램을 사용함으로써 문법 오류를 제거하고 데이터 해석과 모델 평가에 집중할 수 있도록 한다.
• 학생들은 미국 인구 조사 데이터나 학업 성취도 데이터와 같은 실제 세계 데이터셋을 적용하여 특성의 관련성과 예측 정확도를 탐구한다.
• 학생들이 스스로 머신러닝을 활용한 컴퓨팅 아티팩트를 설계하는 프로젝트 단계를 거친 후, 공정성, 투명성, 편향성에 대한 토론을 진행한다.
• 수업 계획서와 데이터셋을 포함한 지원 자료는 교실 사용을 위해 크리에이티브 커먼즈 라이선스 하에 제공된다.

실험 결과

연구 질문

• RQ1 프로그래밍 지식이 전혀 필요 없는 조건에서 결정 트리 학습을 K-12 교육에서 효과적으로 가르칠 수 있는 방법은 무엇인가?
• RQ2 비코딩 활동과 Orange와 같은 시각적 데이터 분석 도구를 조합함으로써 지도 학습에 대한 개념적 이해와 실습 능력이 어느 정도 향상되는가?
• RQ3 인종과 같은 민감한 속성을 포함한 실제 데이터셋을 다룰 때 학생들은 머신러닝의 윤리적 영향을 어떻게 인식하는가?
• RQ4 이 방법을 통해 학생들은 모델 평가, 훈련/테스트 분할, 상관관계와 인과관계의 차이를 충분히 이해할 수 있는가?
• RQ5 이 교육 개념은 과학, 사회과, humanitiess 등 다양한 교과와 융합하여 다학문적 학습을 어떻게 지원할 수 있는가?

주요 결과

• 학생들은 훈련 및 테스트 단계, 모델 평가, 머신러닝 예측의 한계 등 지도 학습의 핵심 개념을 명확히 이해했다.
• 비코딩 활동을 통해 결정 트리의 내부 논리를 이해하고 참여하는 데 성공했으며, 기초 기술 지식이 없어도 효과적으로 활용되었다.
• 인종이나 부모의 교육 수준과 같은 보기에 무관하거나 민감한 특성이 모델에 사용될 수 있음을 발견한 데 대해 학생들은 놀라움과 함께 비판적으로 반성했다.
• Orange의 사용을 통해 학생들은 초모수 조정을 실험하고 수작업과 자동화된 트리 구축 방식을 비교함으로써 모델 행동에 대한 이해를 심화시켰다.
• 이 교육 방식은 특히 실제 세계 데이터셋을 다룰 때 공정성, 투명성, 편향성과 같은 윤리적 문제에 대한 인식을 키웠다.
• 학생들은 이 경험을 통해 큰 데이터셋이 얼마나 쉽게 분석될 수 있고, 복잡하거나 의심스러운 특성에 기반해 모델이 얼마나 빨리 예측을 내릴 수 있는지에 대해 눈을 뜨는 계기가 되었다고 보고했다.