위험 회피형 학습? AI가 분석한 공부 전략

친구에게 설명한다고 생각해보세요. 공부할 때 어려운 문제만 골라 푸는 학생이 있는가 하면, 쉬운 문제만 반복하는 학생도 있습니다. 이런 선택이 학습 효율에 어떤 영향을 미칠까요? 한 연구팀이 컴퓨터 시뮬레이션을 통해 그 해답을 찾았습니다.

연구팀은 인공지능 튜터링 시스템(컴퓨터가 학생의 학습을 도와주는 프로그램)에서 학생들이 문제를 선택하는 방식을 분석했습니다. 특히 '완전 학습(Mastery Learning)'이라는 방법을 집중적으로 살폈는데, 이는 학생이 어떤 개념을 완전히 이해할 때까지 같은 유형의 문제를 반복해서 푸는 교육 방식입니다. 문제는 학생마다 전략이 다르다는 점입니다. 어떤 학생은 약점을 집중 공략하고, 어떤 학생은 아는 문제만 고르기도 합니다. 이런 다양한 전략이 학습 효율에 어떤 영향을 주는지 알아보기 위해 연구팀은 컴퓨터로 모의실험을 진행했습니다.

무슨 실험을 했나?

연구팀은 261명의 학생이 방정식 풀이와 그래프 해석 두 가지 수학 과목에서 문제를 푼 데이터를 분석했습니다. 그리고 컴퓨터 안에서 가상의 학생들이 여러 전략을 사용하도록 시뮬레이션(모의실험)을 돌렸습니다. 전략의 예로는 '약점 집중 공략(Weakness Targeting, 모르는 문제만 푸는 것)', '문제 섞어 풀기(Interleaving, 여러 유형을 섞어 푸는 것)' 등이 있었습니다. 효율성을 측정하기 위해 '과잉 연습(overyractice)'이라는 지표를 사용했습니다. 쉽게 말해, 이미 다 아는 개념을 불필요하게 반복하는 시간을 얼마나 줄였는지를 본 것입니다.

중요한 발견은?

결과는 전략에 따라 차이가 매우 컸습니다. 특히 '위험 회피형(risk-averse, 예를 들어 어려운 문제를 피하고 쉬운 문제만 고르는 것)' 전략을 사용한 가상의 학생들은 과잉 연습이 크게 늘어났습니다. 복잡한 문제일수록 이런 경향이 더 심해졌습니다. 반면 '약점 집중 공략' 전략은 과잉 연습을 줄이는 데 효과적이었습니다. 즉, 모르는 문제에 집중하는 학생이 이미 아는 문제를 반복하는 시간을 덜 낭비한다는 뜻입니다.

이 연구는 실제 교실에서 다양한 학습 전략을 실험하기 어렵다는 점을 해결해줍니다. 교실에서 실험하려면 많은 시간과 비용이 들지만, 컴퓨터 시뮬레이션으로 미리 효과를 예측할 수 있기 때문입니다. 앞으로 인공지능 튜터가 학생의 학습 전략에 맞춰 문제를 추천할 때, 더 효율적인 시스템을 설계하는 데 도움이 될 것입니다. 예를 들어, 위험을 회피하는 학생에게는 조금씩 도전적인 문제를 제시하거나, 약점을 집중 공략하도록 유도하는 방식을 연구할 수 있습니다.

📖 원문 보기: arXiv 원문

본 요약은 AI로 작성되었습니다. arXiv 논문을 바탕으로 재구성되었습니다.