[논문 리뷰] Designing AI Learning Experiences for K-12: Emerging Works, Future Opportunities and a Design Framework

Xiaofei Zhou, Jessica Van Brummelen외 1명|arXiv (Cornell University)|2020. 09. 22.

Teaching and Learning Programming참고 문헌 58인용 수 98

한 줄 요약

이 논문은 K-12 AI 교육 문헌을 분석하여 AI 리터러시 역량을 매핑하고 간극을 식별하며, 향후 K-12 학생들의 AI 학습 경험을 안내하기 위한 설계 프레임워크와 교사용 참조 차트를 제안합니다.

ABSTRACT

Artificial intelligence (AI) literacy is a rapidly growing research area and a critical addition to K-12 education. However, support for designing tools and curriculum to teach K-12 AI literacy is still limited. There is a need for additional interdisciplinary human-computer interaction and education research investigating (1) how general AI literacy is currently implemented in learning experiences and (2) what additional guidelines are required to teach AI literacy in specifically K-12 learning contexts. In this paper, we analyze a collection of K-12 AI and education literature to show how core competencies of AI literacy are applied successfully and organize them into an educator-friendly chart to enable educators to efficiently find appropriate resources for their classrooms. We also identify future opportunities and K-12 specific design guidelines, which we synthesized into a conceptual framework to support researchers, designers, and educators in creating K-12 AI learning experiences.

연구 동기 및 목표

• 기존의 K-12 AI 커리큘럼이 일반 AI 리터러시 역량을 어떻게 적용하는지 평가한다.
• K-12 맥락에 특화된 간극과 기회를 식별한다.
• K-12 AI 학습 도구와 커리큘럼 개발을 안내하기 위한 설계 프레임워크를 합성한다.
• 교사들이 적합한 AI 교육 자원을 선택하는 데 도움이 되는 참조 차트를 제공한다.

제안 방법

• 스노볼링(snowballing)과 키워드 검색을 사용하여 AI4K-12 도구와 커리큘럼에 대한 탐색적 문헌 검토를 수행했다.
• K-12 학습자 맥락에서 연구를 평가하기 위해 초기 10가지 기준을 개발하고 14개로 확장했다.
• 코딩의 일치성을 보장하기 위해 해석자 간 신뢰도(Cohen’s Kappa)를 계산했다.

실험 결과

연구 질문

• RQ1 일반적인 AI 리터러시 역량이 기존의 K-12 학습 경험에서 어떻게 구현되어 있는가?
• RQ2 AI 리터러시 교육을 개선하기 위해 필요한 K-12 특화 디자인 가이드라인과 기회는 무엇인가?
• RQ3 현재의 AI4K-12 자원에서 향후 연구가 다루어야 할 간극은 무엇인가?
• RQ4 설계 프레임워크가 연구자, 디자이너, 교사가 K-12 AI 학습 경험을 만드는 데 어떻게 도움을 줄 수 있는가?

주요 결과

• K-12 AI 교육의 여러 흐름에는 구조화된 기계학습 개념 강좌, 짧은 데이터 시각화 워크숍, 블록 기반 AI 개발 환경, 모델 학습을 단순화하는 GUI/TUI/VUI 인터페이스 등이 포함된다.
• 윤리, 데이터 리터러시, 비판적 사고는 연구들 간에 일관되게 다뤄지지 않으며, 윤리를 명시적으로 다루는 연구는 소수에 불과하다(약 49편 중 ≈13편) 그리고 선입견이나 정체성과 관련된 고려를 다루는 연구는 드물다.
• Long and Magerko(2020)와 Touretzky et al.(2019)의 연구 결과를 통합하고 새롭게 확인된 향후 기회도 반영한 확장된 프레임워크를 제안한다.
• 연구는 일반 AI와 좁은 AI의 차이 설명, 학제 간 연구의 폭 확장, 도구의 점진적 공개, 학습 과정에서 부모 및 사회적 맥락의 참여 등 여러 ‘미래 기회’를 강조한다.
• 교사들이 49편의 연구에서 AI 리터러시 역량, 대상 연령대, 시간, 발판, 상한, 교사 참여를 빠르게 매핑하도록 돕는 참조 차트(Table 1)가 제공된다.