[논문 리뷰] Proactive and Reactive Engagement of Artificial Intelligence Methods for Education: A Review

Sruti Mallik, Ahana Gangopadhyay|arXiv (Cornell University)|2023. 01. 23.

Online Learning and Analytics인용 수 5

한 줄 요약

이 리뷰는 2003~2022년 기간 동안의 AI 교육(AIEd) 연구 194편을 선제적(계획 단계, 예: 입학 심사, 시간표 편성)과 반응적(실행 단계, 예: 개별 맞춤 학습, 평가) AI 참여 유형으로 분류한다. 연구는 더 정교하고 설명 가능한 모델로의 패러다임 전환을 드러내며, 코로나19 패닉이 AI 도입을 가속화한 것으로 나타나지만, 여전히 기회 격차, 윤리, 인프라 접근성 문제에 직면해 있음을 밝힌다.

ABSTRACT

Quality education, one of the seventeen sustainable development goals (SDGs) identified by the United Nations General Assembly, stands to benefit enormously from the adoption of artificial intelligence (AI) driven tools and technologies. The concurrent boom of necessary infrastructure, digitized data and general social awareness has propelled massive research and development efforts in the artificial intelligence for education (AIEd) sector. In this review article, we investigate how artificial intelligence, machine learning and deep learning methods are being utilized to support students, educators and administrative staff. We do this through the lens of a novel categorization approach. We consider the involvement of AI-driven methods in the education process in its entirety - from students admissions, course scheduling etc. in the proactive planning phase to knowledge delivery, performance assessment etc. in the reactive execution phase. We outline and analyze the major research directions under proactive and reactive engagement of AI in education using a representative group of 194 original research articles published in the past two decades i.e., 2003 - 2022. We discuss the paradigm shifts in the solution approaches proposed, i.e., in the choice of data and algorithms used over this time. We further dive into how the COVID-19 pandemic challenged and reshaped the education landscape at the fag end of this time period. Finally, we pinpoint existing limitations in adopting artificial intelligence for education and reflect on the path forward.

연구 동기 및 목표

• 지난 20년간 교육 분야의 AI 방법론의 변화를 검토하고, 계획 단계와 실행 단계에서의 역할에 집중한다.
• AI 교육(AIEd) 분야의 주요 연구 방향을 특정한다. 이는 커리큘럼 설계, 지능형 튜터링, 성과 예측을 포함한다.
• 코로나19 패닉이 교육 분야의 AI 도입에 미친 영향과 연구 방향성에 끼친 영향을 평가한다.
• AIEd에서의 기존 도전 과제, 예를 들어 데이터 프라이버시, 알고리즘 투명성, 인프라 및 전문 인력에 대한 불균형한 접근성 등을 평가한다.
• 2030년까지 공정하고 윤리적이며 지속 가능한 AI 통합의 전망을 제시한다.

제안 방법

• 2003년부터 2022년까지의 AIEd 분야 원본 연구 논문 194편을 체계적으로 검토하며, 체계적 검색 기준에 따라 선별한다.
• 교육 수명 주기에서의 시기와 기능에 기반해 AI 응용 프로그램을 선제적(계획 단계)과 반응적(실행 단계) 참여 유형으로 분류한다.
• 진화하는 AI 방법론을 분석하며, 데이터 유형의 변화, 알고리즘 복잡성의 변화(예: 기존 머신러닝에서 딥러닝으로의 전환), 모델 설명 가능성 등을 다룬다.
• 기술 기반 학습, AI를 통한 사회적 복지(AI4SG), 지속 가능한 개발 목표(SDGs)에 중점을 두어 연구 추세를 주제별로 통합 분석한다.
• 패닉 기간의 혼란을 기반으로 AIEd의 회복력과 적응 능력을 평가하는 데 활용한다.
• 기존 문헌과 정책적 우려를 통합 분석하여 윤리적, 법적, 인프라적 장벽을 평가한다.

실험 결과

연구 질문

• RQ1 2003년부터 2022년까지 교육 분야에서의 선제적 및 반응적 AI 참여 유형의 주요 연구 방향은 무엇인가?
• RQ2 AI 교육(AIEd) 연구 분야에서의 AI 방법론, 특히 데이터 선정 및 알고리즘 프레임워크가 지난 20년간 어떻게 진화해 왔는가?
• RQ3 코로나19 패닉은 교육 현장에서 AI 도입을 얼마나 가속화하거나 재편했는가?
• RQ4 현재 교육 분야에서의 AI 도입은 기존의 교육 접근성 격차를 넓히는가, 줄이는가?
• RQ5 AIEd 도구의 대규모이고 공정한 구현을 위한 주요 윤리적, 법적, 인프라적 장벽은 무엇인가?

주요 결과

• 기본적인 머신러닝 모델에서 더 복잡하고 설명 가능한 딥러닝 프레임워크로의 명백한 패러다임 전환이 발생했다.
• 선제적 AI 응용 프로그램(예: 수업 시간표 편성, 커리큘럼 설계)은 점차 보급되고 있으나, 반응적 시스템(예: 지능형 튜터링, 성과 예측)은 여전히 연구 출판에서 지배적이다.
• 코로나19 패닉은 AI 기반 원격 학습 도구의 도입을 가속화하는 촉매 역할을 했으며, 강력하고 확장 가능한 AI 솔루션의 필요성을 부각시켰다.
• 진전이 있음에도 불구하고, 특히 개발도상 지역에서는 AI 인프라 접근성에 큰 격차가 존재하며, 전기, 인터넷, 하드웨어 확보가 주요 제약 요소로 남아 있다.
• AIEd 플랫폼의 민간 소유는 데이터 프라이버시, 투명성, 모델 설명 가능성에 대한 우려를 낳으며, 글로벌적으로 규제 감시가 부족한 상황이다.
• 현재 AI가 교사의 역할을 대체한다는 증거는 없으며, 오히려 교사의 역할을 보완하며, 윤리적이고 효과적인 구현을 위해 인간이 개입하는 시스템이 필수적이다.