머신러닝을 차세대 과학 표준과 연계하기

Lei Liu

Managing Senior Research Scientist

2021 년 5월 11일

차세대 과학 기준(NGSS)^® 은 과학적 실천과 핵심 아이디어에 대한 개념적 이해를 통합하여 학생들이 오늘날의 세상에 더 잘 대비할 수 있도록 하는 다차원 학습을 요구합니다. NGSS를 교실에서 도입하는 데 있어 가장 중요한 점은 다차원적 과학 학습 과 학생들을 지원하는 교사 실천 에 중점을 둔다는 점입니다 . 학생들은 매일 삶을 헤쳐 나가면서 자연스럽게 과학 학습을 포함한 학습을 형성하는 직관적 지식과 추론 패턴을 발전시킵니다. 학생들이 이러한 경험에 참여할 때, 교사들이 이러한 경험에 의해 형성된 학생들의 서면 답변을 해석할 수 있도록 준비되어 있어야 합니다. 이러한 필요성의 결과로 최근 미국 국립과학재단(NSF) 지원으로 진행된 연구인 '차세대 과학 기준 평가에서의 학생 추론 패턴(SPIN-NGSS)'이 나타났으며, 저는 ETS 동료들과 함께 자동화 도구 개발을 목표로 하고 있습니다. 이 도구들은 교사들이 이러한 기준에 부합하는 평가 데이터를 해석하여 학생의 추론 패턴을 드러내고, 학생 추론의 특정 약점을 반영하는 데 도움을 주기 위해 설계되었습니다.

학생들이 수업에서 가져오는 것을 바탕으로 쌓아가기

학생들은 다양한 아이디어, 추론 능력, 삶의 경험을 교실에 가져옵니다. 과학의 세계를 이해할 때, 어린 시절 경험이 아이들이 폭넓게 적용하는 인과적 추론 능력을 발달하게 했을 수 있습니다. 학생들의 일상 경험을 바탕으로 하는 것은 기존 아이디어와 추론 전략을 확장하는 효과적인 방법이 될 수 있습니다. 학생들의 추론 패턴은 다양한 직관적 아이디어를 반영하며, 정교한 과학적 이해로 가는 디딤돌로 간주될 수 있습니다. 하지만 때때로 교사가 부정확하다고 생각하는 아이디어를 교실에 가져오고, 나중에 정확한 개념으로 지시받는 경우도 있습니다. 이러한 대체 전략은 학생들이 학교 지식을 암기하면서도 과학 현상을 설명하라는 질문을 받을 때 오해에 의존하게 만들 수 있습니다.

차세대 과학 학습 및 평가에서의 학생 추론 패턴

연구는 NGSS가 요구하는 세 가지 지식 차원인 학문적 핵심 아이디어(DCI), 과학 및 공학 실천(SEP), 교차 개념(CCC)을 포함하는 과학자들의 뚜렷한 "추론 스타일"을 확인했습니다. 다차원 학습에서 학생 추론 패턴에 대한 문서화는 적습니다. NGSS에 맞춘 평가가 더 많이 제공됨에 따라 학생 추론의 특징적 특징에 대한 연구를 수행할 기회가 생겼습니다.

연구비 프로젝트의 일환으로, 저와 ETS 동료들은 기존의 NGSS에 맞춰진 평가 데이터를 활용해 전형적인 학생들의 추론 패턴을 파악하고 있습니다. 예를 들어, 과학 관련 개념을 설명할 때, 일부 학생들은 관찰과 데이터만 설명하는 반면, 다른 학생들은 데이터나 증거를 참고하지 않고 과학적 원리만 제시하는 것을 발견했습니다. 마지막으로, 일부 학생들은 데이터와 과학적 원리를 모두 추론에 통합하려고 시도했습니다. 이러한 추론 패턴을 진단하는 것은 학생 추론의 공백을 해소하기 위한 맞춤형 피드백을 생성하는 데 유용합니다. 과학 교실에서는 교사들이 학생의 추론 패턴을 파악하는 데 도움이 필요합니다.

학생 추론 패턴의 자동 진단

교사들이 학생의 추론 방식을 더 잘 파악할 수 있도록 돕기 위해, 우리 팀은 NGSS 차원과 관련된 주요 특징을 바탕으로 학생 추론 패턴을 진단하는 머신러닝 모델을 개발했습니다. 이 모델들은 추론 패턴 라벨과 패턴과 관련된 학생 응답의 증거를 모두 제공합니다. 이 과정의 일환으로 콘텐츠 전문가들이 먼저 학생 응답 집합을 코딩했습니다. 그 후 자연어 처리(NLP) 전문가들이 인간 코드를 사용해 컴퓨터가 자동화된 모델을 개발하도록 훈련시켰습니다. 2단계 분류 접근법이 적용되었습니다. 1단계 분류는 NGSS 차원과 관련된 응답 일부를 식별합니다. 두 번째 분류기는 추론 패턴을 포함한 전체 응답을 자동으로 분류합니다. 팀은 모델 검증을 계속하고 있으며, 과학 교실에서 다차원 학습을 촉진할 자동화 피드백 도구를 설계하고 있습니다. SPIN-NGSS는 기계 학습과 NGSS 학습을 결합하여 학생 추론 패턴 진단의 공백을 메우고 있습니다. SPIN-NGSS의 결과물은 개별적이고 즉각적인 피드백을 통해 학생들의 학습을 촉진하기 위해 교사들이 과학 평가를 활용하는 데 기여할 잠재력을 가지고 있습니다.

Lei Liu는 ETS의 수석 수석 연구원이자 SPIN-NGSS NSF 연구비의 책임 연구원입니다. SPIN-NGSS 연구비 프로젝트의 공동 책임자는 Dante Cisterna(ETS 부연구원), Aoife Cahill(ETS 수석 연구 과학자), Matthew Johnson(ETS 수석 연구 책임자)입니다.

프로젝트 팀의 영상 은 2021년 STEM for All Video Showcase에서 발표될 성과를 강조해 보세요.

이 자료는 미국 국립과학재단 지원금(Grant #2000492)에 따른 연구를 기반으로 합니다. 이 자료에 표현된 의견, 발견, 결론 또는 권고는 저자의 것이며 반드시 국립과학재단의 견해를 반영하지는 않습니다.