[논문 리뷰] ML-Quest: A Game for Introducing Machine Learning Concepts to K-12 Students

Shruti Priya, Shubhankar Bhadra외 1명|arXiv (Cornell University)|2021. 07. 13.

Educational Games and Gamification인용 수 12

한 줄 요약

이 논문은 K-12 학생들이 상호작용적이고 스토리 중심의 플레이를 통해 기초적인 기계학습 개념—지도 학습, 경사 하강법, K-가까운 이웃(KNN) 분류—을 배울 수 있도록 설계된 3D 교육용 비디오 게임 ML-Quest를 소개한다. 기술 수용 모델(TAM)을 활용해 23명의 고등학생을 대상으로 평가한 결과, 70%가 게임이 상호작용적이고 기계학습 개념 학습에 유용하다고 동의하여, 이는 기계학습에 대한 흥미 진진하고 복잡도가 낮은 소개 도구로서의 잠재력을 보여준다.

ABSTRACT

Today, Machine Learning (ML) is of a great importance to society due to the availability of huge data and high computational resources. This ultimately led to the introduction of ML concepts at multiple levels of education including K-12 students to promote computational thinking. However, teaching these concepts to K-12 through traditional methodologies such as video lectures and books is challenging. Many studies in the literature have reported that using interactive environments such as games to teach computational thinking and programming improves retention capacity and motivation among students. Therefore, introducing ML concepts using a game might enhance students' understanding of the subject and motivate them to learn further. However, we are not aware of any existing game which explicitly focuses on introducing ML concepts to students using game play. Hence, in this paper, we propose ML-Quest, a 3D video game to provide conceptual overview of three ML concepts: Supervised Learning, Gradient Descent and K-Nearest Neighbor (KNN) Classification. The crux of the game is to introduce the definition and working of these concepts, which we call conceptual overview, in a simulated scenario without overwhelming students with the intricacies of ML. The game has been predominantly evaluated for its usefulness and player experience using the Technology Acceptance Model (TAM) model with the help of 23 higher-secondary school students. The survey result shows that around 70% of the participants either agree or strongly agree that the ML-Quest is quite interactive and useful in introducing them to ML concepts.

연구 동기 및 목표

• 전통적인 강의나 교과서 방식으로는 추상적인 기계학습 개념을 K-12 학생들에게 효과적으로 전달하기 어려운 문제를 해결하기 위해, 관심을 유지하거나 개념적 이해를 보장하지 못하는 경우가 많다.
• 기계학습 개념을 기초적인 수학적 복잡성이나 전문 용어로 둔감하게 만들지 않고도 학생들이 쉽게 접근할 수 있도록 기존 교육 도구의 격차를 메우기 위한 게임을 개발한다.
• 실제 K-12 학습 환경에서 학생들의 동기 부여, 인식된 유용성, 사용 용이성 향상 여부를 평가함으로써 게임의 효과성을 점검한다.
• 초기 컴퓨팅 사고 능력을 키우고 향후 인공지능 및 기계학습 분야에 대한 참여를 준비시킬 수 있는 확장 가능한 상호작용 기반 게임 기반 학습 도구를 개발한다.

제안 방법

• 게임은 세 가지 구분된 3D 레벨로 구성되어 있으며, 각 레벨은 핵심 기계학습 개념 중 하나와 정렬되어 있다: 지도 학습, 경사 하강법, KNN 분류.
• 각 레벨은 플레이어가 직관적인 게임 메커니즘을 사용해 과제를 해결하는 스토리 중심의 미션을 중심으로 구성되며, 이는 기계학습 과정의 본질을 반영한다.
• 스caffolding 기법을 적용하여 각 기계학습 개념의 논리를 점진적으로 드러내어, 사전 지식 없이도 플레이어가 정신 모델을 구축하도록 돕는다.
• 힌트, 지침 보드, 대화 메시지가 각 레벨을 안내하며, 실제 기계학습 개념은 레벨의 끝에서 정의되고 게임플레이와 연결된다.
• 게임 평가에는 기술 수용 모델(TAM)이 사용되었으며, 23명의 고등학생을 대상으로 설문 조사하여 인식된 유용성, 사용 용이성, 사용 의도, 정확성 등을 측정하였다.
• 참가자들의 피드백을 바탕으로 게임을 반복적으로 개선하였으며, 이는 이동 속도 조정, 게임 요소의 가시성 향상, 지시 명확성 향상 등의 조치를 포함한다.

실험 결과

연구 질문

• RQ1 ML-Quest는 기술적 또는 수학적 설명 없이도 K-12 학생들에게 기초 기계학습 개념을 효과적으로 소개할 수 있는가?
• RQ2 학생들은 ML-Quest의 유용성, 사용 용이성, 기계학습 개념 학습에 대한 참여도를 어떻게 평가하는가?
• RQ3 게임 기반 학습은 전통적 교수법에 비해 학생들의 동기 부여와 기계학습 개념 이해도에 어떤 영향을 미치는가?
• RQ4 기계학습 개념을 개념의 정확성을 유지하면서도 흥미 진진한 게임 메커니즘으로 어떻게 추상화할 수 있는가?
• RQ5 사용자가 게임의 학습 경험과 사용성 향상을 위해 제안하는 설계 개선 사항은 무엇인가?

주요 결과

• 23명의 고등학생 중 70%가 ML-Quest가 상호작용적이고 기계학습 개념 학습에 유용하다고 동의하거나 강하게 동의했다.
• 게임은 사용하기 쉽고 유용하다는 평가를 받았으며, TAM 기반 지표에서 높은 점수를 기록하여 교육 현장에서의 도입 잠재력이 높다는 것을 시사한다.
• 참가자들은 스토리 중심의 플레이와 개념의 점진적 드러남 덕분에 기계학습 알고리즘이 어떻게 작동하는지 더 명확한 정신 모델을 형성했다고 보고했다.
• 피드백에서 플레이어 이동 속도가 빠르고, 투사체가 보이지 않는 등의 구체적인 사용성 문제점이 지적되었으며, 향후 개선이 필요한 영역으로 확인되었다.
• 다수의 학생이 모바일 기반 게임을 선호하는 것으로 나타나, 향후 개발에서 모바일 플랫폼 지원을 우선시해야 할 것으로 제안된다.
• 게임은 사전 기계학습 지식 없이도 지도 학습, 경사 하강법, KNN 분류의 세 가지 핵심 기계학습 개념을 성공적으로 게임 플레이를 통해 소개했다.