[논문 리뷰] Teaching Machine Learning in K-12 Computing Education: Potential and Pitfalls

Matti Tedre, Tapani Toivonen외 5명|arXiv (Cornell University)|2021. 06. 02.

Online Learning and Analytics인용 수 9

한 줄 요약

이 논문은 K-12 컴퓨팅 교육에 기계학습(ML)을 통합하는 것을 검토하며, 규칙 기반 프로그래밍 중심의 전통적인 계산적 사고 모델이 데이터 기반 ML 패러다임을 수용하도록 진화해야 한다고 주장한다. 교육과정 설계, 교수법, 교사 준비도의 핵심 과제를 밝히면서, ML 시스템에 대한 직관적 이해와 주도성 향상을 위한 전환을 제안하며, K-12 환경에서의 대상 연구와 교육 프레임워크의 필요성을 강조한다.

ABSTRACT

Over the past decades, numerous practical applications of machine learning techniques have shown the potential of data-driven approaches in a large number of computing fields. Machine learning is increasingly included in computing curricula in higher education, and a quickly growing number of initiatives are expanding it in K-12 computing education, too. As machine learning enters K-12 computing education, understanding how intuition and agency in the context of such systems is developed becomes a key research area. But as schools and teachers are already struggling with integrating traditional computational thinking and traditional artificial intelligence into school curricula, understanding the challenges behind teaching machine learning in K-12 is an even more daunting challenge for computing education research. Despite the central position of machine learning in the field of modern computing, the computing education research body of literature contains remarkably few studies of how people learn to train, test, improve, and deploy machine learning systems. This is especially true of the K-12 curriculum space. This article charts the emerging trajectories in educational practice, theory, and technology related to teaching machine learning in K-12 education. The article situates the existing work in the context of computing education in general, and describes some differences that K-12 computing educators should take into account when facing this challenge. The article focuses on key aspects of the paradigm shift that will be required in order to successfully integrate machine learning into the broader K-12 computing curricula. A crucial step is abandoning the belief that rule-based "traditional" programming is a central aspect and building block in developing next generation computational thinking.

연구 동기 및 목표

• K-12 컴퓨팅 교육과정에 기계학습이 점점 더 포함되고 있는 것을 분석하고, 교육적 실천에 대한 영향을 평가하는 것.
• K-12 환경에서 ML을 도입할 때 교사들이 마주하는 교육적 및 교육과정적 과제를 규명하는 것.
• 기존의 계산적 사고 모델이 데이터 기반 ML 시스템을 준비시키는 데에 부적절한 이유를 검토하는 것.
• 규칙 기반 프로그래밍을 넘어서 ML 리터러시와 주도성을 향한 K-12 컴퓨팅 교육의 패러다임 전환을 제안하는 것.
• K-12 환경에서 학생들이 ML 시스템을 훈련, 테스트, 개선, 배포하는 방식을 학습하는 방식에 대한 연구 부족을 부각하는 것.

제안 방법

• 논문은 K-12 교육에서의 ML과 관련된 기존의 교육 실천, 이론, 기술에 대한 비판적 검토를 수행한다.
• ML 교육을 컴퓨팅 교육의 광범위한 맥락 안에서 위치지어, 기존의 계산적 사고 및 AI 교육과정과 비교한다.
• 규칙 기반 프로그래밍과 데이터 기반 ML 시스템 간의 인지적 및 교육적 요구 사항의 차이를 분석한다.
• K-12 환경에서 ML 리터러시를 지원하기 위해 교육과정 설계에 필요한 핵심 개념 전환을 규명한다.
• 컴퓨팅 교육, 인공지능, 인지과학 분야의 다학제적 시각을 활용하여 과제와 기회를 프레임화한다.
• ML의 반복적이고 데이터 의존적인 성격에 맞는 새로운 평가 및 수업 전략의 필요성을 강조한다.

실험 결과

연구 질문

• RQ1 기존의 규칙 기반 프로그래밍 모델에 의존하지 않고, K-12 컴퓨팅 교육과정에 기계학습을 효과적으로 통합할 수 있는 방법은 무엇인가?
• RQ2 K-12 교육에서 학생들이 ML 시스템을 훈련, 테스트, 개선, 배포하는 데 있어 주요 교육적 과제는 무엇인가?
• RQ3 계산적 사고에서 ML 리터러시로의 전환은 알고리즘 시스템에서의 주도성과 직관에 대한 학생들의 이해에 어떻게 영향을 미치는가?
• RQ4 왜 K-12 학생들이 ML 시스템을 다루는 방식을 학습하는 데 관련된 연구가 뚜렷하게 부족한가?
• RQ5 K-12 컴퓨팅 교육에 ML을 통합하기 위해 필요한 개념적 및 교육과정적 전환은 무엇인가?

주요 결과

• 특히 K-12 환경에서 학생들이 ML 시스템을 훈련, 테스트, 개선, 배포하는 방식을 학습하는 방식에 대한 컴퓨팅 교육 연구 분야에서 심각한 격차가 존재한다.
• 규칙 기반 프로그래밍 중심의 기존 계산적 사고 모델은 데이터 기반 기계학습 패러다임을 준비시키는 데에 부적절하다.
• K-12 교육과정에 기계학습을 통합하기 위해서는 결정론적 프로그래밍에서 벗어나 확률적이고 데이터 의존적인 사고 방식으로의 근본적인 패러다임 전환이 필요하다.
• 기존 교육과정 제약과 ML 개념에 대한 교사의 준비도 부족으로 인해 교사들이 ML을 구현하는 데 상당한 과제를 겪고 있다.
• ML 시스템에서의 직관과 주도성 향상은 K-12 컴퓨팅 교육에서 핵심이지만 여전히 연구가 부족한 분야이다.
• K-12 환경에서의 ML 리터러시를 위한 새로운 교육 프레임워크, 평가 도구, 교사 연수 프로그램의 필요성이 점점 커지고 있다.