Abstract
학교는 날로 복잡해진다. 학생들은 학교의 물리적인 자원, 디지털 자원, 교사, 또래와 끊임없이 상호작용한다. 기존에 디지털 기기를 이용한 로그를 활용하여 연구들이 이루어졌지만, 물리적인 학습 공간에서의 사회 역학은 덜 조명되고 있다. 이 논문에서는 물리적 학습 공간에서의 활동 기록으로 학생들의 사회적 상호작용을 모델링하고자 하였다. 이를 위해 공립 초등학교에서 8주 간의 연구가 진행되었다. 연구자들은 8주 동안 98 명의 학생, 6 명의 선생님의 물리적인 위치 기록(positioning traces)을 수집하고, 이를 이용해서 SNA 소셜 네트워크 분석을 실시하였다. 과연 이 연구는 성공적으로 물리적 움직임을 사회적 상호작용으로 모델링하는 데 성공하였을까? 연구 방법론과 그 결과에 대해 하나씩 살펴보도록 하자.
CCS Concepts
협력 학습, 학습 관리 시스템, 컴퓨터 기반 학습
Keywords
SNA Social Network Analysis, Social ties, indoor positioning, proxemics, classroom analytics
* proxemics : 인간과 행동, 소통, 사회적 소통의 관계를 연구하는 학문
Introduction
앞으로의 교실은 어떤 형태가 될까? 아마도 물리적, 하이브리드 학습 공간이 주요한 교육의 공간이 될 것이다. 특히 초중등 교육이나 신체 활동(psychomoter), 실험을 필요로 하는 교육 상황에서 그러하다. 물리적인 학습 공간이 있는 것은 학습 과제를 수행하는 것 뿐만 아니라, 학생들이 또래, 교사들과 얼굴을 마주보고 상호작용하는 사회적인 참여, 공동체를 형성하는 것, 사회적 실재감을 기르는 데 매우 중요한 역할을 한다. 그리고 사회적 상호작용을 성공적으로 수행하는 역량은 21세기 역량과도 부합하고, 학생들의 건강한 삶, 성취에도 도움을 준다.
학습 공간이 날로 복잡해지고 테크놀로지와 융합된 하이브리드 형태로 나아가고 있다. 교실의 공간적인 형태도 오픈 러닝 스페이스, 플렉시블 클래스룸과 같이 새로운 시도가 이루어지고 있다. 그리고 이러한 시도는 학습 공간에서의 사회 역할을 깊게 이해할 필요를 만들어낸다.
이런 상황에서 LA 학습분석학은 어떤 역할을 할 수 있을까? LA는 학습 공간의 복잡성을 적절히 다루는 데 핵심적인 역할을 할 수 있다. 물론 대부분의 LA는 LMS, MOOCs와 같은 온라인 플랫폼이나 디지털 기기에서의 학생 데이터에 집중하였지만 말이다. 그래도 물리적 환경에서의 학습 분석을 이끌어내고자 하는 데도 많은 관심이 있음을 확인할 수 있었다. 물리적 공간을 감지하고 추적하는 기술을 이용해서 학생들의 사회적 상호작용에 대한 통찰을 얻어낸다면, 교사들이 학습 자원과 일들을 조화롭게 관리하는 데 큰 도움이 될 것이다. 그리고 연구자와 학습 공간 개발자 같은 경우에는 건축 디자인, 교실 구성, 교수법을 연구하는 데 도움을 줄 수 있을 것이다.
그래서 물리적 학습 환경에서의 움직임을 어떻게 추적할 것인가? LA와 EDA Educational Data Mining 연구에서는 교수학습의 공간적인 측면을 모델링하기 위해 여러 접근법을 취하고 있다. 우선 다양한 데이터와 테크놀로지가 활용되었다. WiFi 데이터, 컴퓨터 비전 알고리즘, 열 센서, 웨어러블 디바이스 테크놀로지 등이 있다. 이 연구가 실시된 학습 공간의 범위도 넓었다. 도서관, 일반적인 교실, 강의실, 작은 실습실(fabrication rooms) 등등이 있었다. 이 중에서도 'physical positional tracking'이 (정확도 때문에) 교실 안에서 사회적 상호작용 데이터를 얻기에 매우 유망한 방법론이다. 그렇기는 하나, 물리적 위치 추적에서 학생들의 사회적 상호작용을 얻기 위해 어떤 종류의 코호트 레벨 행렬이 추출될 수 있는지에 관해서는 이루어진 연구가 별로 없다. 마찬가지로 시간에 따른 학생들의 사회적 연결망 형성을 반영할 수 있는 individual-level metrics 역시 부족하다. 게다가 기존의 연구는 적은 수의 학생, 교사를 대상으로 짧은 기간만을, 제한된 공간에서 연구하였다. 많은 수의 교사, 학생 상호작용 행동 데이터에 대한 종단 연구는 이루어진 바가 없는 것이다.
* cohort-level metrix : 비슷한 특성/경험을 갖는 집단을 동질 집단으로 분류하여 분석하는 방법.
참고) Cohort analysis - Wikipedia
이 연구는 x-y 위치 데이터가 얼마나 세분화된 사회적 상호작용 분석에 활용될 수 있는지 탐구하는 연구이다.
* 연구 기간 : 8주간 종단 연구
* 연구 참여자 : 공립 초등학교 학생 98 명, 교사 6명
* 연구 방법론 : 수집된 위치 데이터로 SNA 분석을 진행하여, 학생들의 위치와 사회적 연결망을 집단(cohort)/개별적 수준에서 분석하였다.
연구의 의의는 두 갈래로 표현할 수 있다.
1. 100명 이상의 연구참여자를 대상으로 물리적 데이터를 추출한 첫 종단 연구
2. x-y 위치 데이터로 코호트(집단) 수준과 개별적인 수준의 분석 실시함
2. Background and related work
2.1. social interactions in physical learning spaces
교실에서의 사회적 상호작용은 다양한 형태로 나타날 수 있다. 사회적 상호작용은 [1] 학생의 학업적인 성취, 학생의 정신적인 건강, 학습 진척 수준에도 영향을 미친다. 사회적 상호작용은 cohort(동질 집단) 수준에서 보는 경우에는, 집단의 관점에서 통찰을 준다. 예를 들면, [1] 어떤 그룹이 사회적으로 연결되었는가? [2] 그룹별로 수업에 참여하는 정도는 어떻게 다른가? [3] 학생들 상호작용에는 homophily(유유상종)이 나타나는가? 등을 볼 수 있다. cohort 수준의 상호작용 구축은 협력학습에서의 학생들의 만족도에 큰 영향을 미친다. 그러므로 교실 내부의 사회적 상호작용을 추적할 방법을 찾는 것은 교육 연구자와 실천가가 물리적 교육 공간에서의 사회적 측면을 이해하는 데 도움을 줄 수도 있다.
물리적 학습 공간에서의 사회적 상호작용을 측정하는 것은 때때로 어렵다. 특히 전통적인 데이터 수집 방법(설문조사, 면담, 참여관찰)을 기반으로 종단 연구를 수행하기란 어려운 일이다. 설문조사는 큰 표본의 학생으로부터 사회적 상호작용을 측정하기 용이하나, 형성된 사회적 연결망의 지속성과 질 측면에서 정확성이 매우 떨어진다. 게다가 설문조사는 연구 참여자의 기억에 의존하기 때문에 기억이 부정확할 가능성이 높다. 면담을 진행하는 경우, 연구 참여자와 면담을 하면서 사회적 상호작용에 대한 깊이 있는 이야기를 들을 수 있다. 그러나 연구의 범위를 확장하기가 어렵고, 여전히 부정확한 기억의 문제가 있다. 인류학자들은 참여관찰법을 통해 교실에서의 사회적 상호작용을 연구하기도 한다. 참여관찰법은 학생들의 사회적 연결망, 공간적 행동의 생성, 변화 과정을 관찰할 수 있다. 그러나 이는 노동 집약적이고, 실제 교실 현장을 방해하는(intrusive) 방식이나 학습 공간에 대한 종단 연구에서 진정한 관찰을 하기는 어려울 것으로 판단하였다.
2.2. foundations of proxemics
proxemics는 물리적인 학습 공간에서의 학생 활동들의 사회적 측면을 모델링하기 위한 데이터 수집에 기반을 마련해줄 수 있다. Proxemics는 어떻게 물리적인 공간이 사회적 상호작용의 과정에서 사용되는지, 그리고 상호간의 거리나 개인 간에 가지고 있는 근접성이 사회적 만남을 유지하도록 하는지를 연구하는 학문이다. 이는 물리적 학습 공간에서의 사람 행동을 분석하는 것과 분명한 연관이 있다. 예를 들면, 몇 십 년 동안 사회심리학 연구는 물리적 근접성이 신뢰나 친밀감 같은 사회적 관계의 명확한 예측 지표가 된다는 것을 보였다.
Proxemics는 자동화된 측정 접근법을 활용한 학습 공간에서의 상호작용 측정에 기반이 될 수 있다. 이와 같은 방법론적인 접근으로, 교실에서의 사회적 상호작용을 온전하게, 실제 상황에서, 확장성 있게 수집할 수 있다.
2.3. Indoor-sensing technologies and learning analytics
감지/추적 기술이 발달하면서, proximity 데이터를 수집하고 분석하는 것이 점차 가능해지고 있다.
1) Nguyen et al. WiFi data를 이용해서 한 방에 있는 학생의 collocation을 확인하였다. 이를 통해 학생 상호작용의 homophily(유유상종성)에 대한 이해를 높이고자 하였다. (But, WiFi 데이터는 조잡하고 노이즈가 많을 수 있음. 신뢰성 떨어짐)
2) 열 감지 데이터를 사용해서 학생들이 교실에서 어떻게 있는지 확인하고자 하였음. (But, 역동적인 개개인의 사회적 상호작용은 포착하지 못함)
3) video recording으로 proximity data를 얻으려는 시도도 이루어졌다. 예를 들면, 강의를 하는 교사의 움직임을 모델링하려는 시도(Bosch et al)가 있었음. 감각 감지를 EduSense 컴퓨터 비전 시스템으로 확장해서 선생님, 학생의 상대적 위치를 추출하게 하였다(x-y coordinate system). x-y positioning data 모션과 움직임 데이터를 이용해서 물리적인 근접성을 확인함(Chng et al.) (But, 소규모 교실 X 강의식 수업이 아니면, 실용적이지 않음)
4) wearable positioning tracking devices는 더 '정확'하고 '튼튼(robust)'한 방식이다. (연구에서 쓸 것으로 보임). 정제되어 있고.. 연속적인 위치 정보를 얻을 수 있다.. ClassBeacons는 트래킹 디바이스를 교사와 테이블에 설치해서 학생들 각 그룹에 얼마나 시간을 보냈는지 모델링하였다. Moodoo는 교사들의 positioning strategies를 모델링하였다. ClassBeacons와 Moodoo는 교사와 학생 그룹과 어떻게 상호작용하는지 포착하였다. 이 기술을 활용해서 다양한 학생들의 상호작용을 포착할 수 있다.
=> 우리가 하고자 하는 것
the work we present in this paper is
the first in exploring both cohort-level and individual-level metrics from the physical positioning traces of over 100 students and teachers in an authentic primary school engaged in multiple learning activities and making use of various learning spaces for an extended period.
we explore the potential of physical positioning traces in generating fine-grained insights about the different aspects of the social dynamics in physical learning spaces.
3. educational context and methods
3.1. The learning space and context
학교 : Australian primary school
건물 : 오픈된 장소, 움직일 수 있는 가구들. 벽이 없음.
교수법 : 몇몇 수업은 그룹 활동이 필요하고, 다른 건 학생들이 형태를 정할 수 있다. (4 그룹으로 나뉨)
cf) IRB 기록하는 방식
The study received ethics approval by Monash University and the Department of Education and Training of the State of Victoria in Australia. Parents provided written consent for their children’s participation. A total of 98 Year-6 students participated in the study and were assigned a wristband tag (see details in the next subsection). The six educators (four full-time teachers, one aide, and one part-time teacher) involved in the delivery of the subjects also participated in the study and each wore a card tag.
3.2. apparatus and data collection
data point에는 : timestamp, tracking identifier, x-y coordinates
ex) 22/07/2019 9:38:24.000, Student0001, 5.3775, 17.645
3.3. research questions
RQ1 : To what extent can differences in students’ social interaction across school subjects be extracted from digital traces of spatial behaviours in the learning environment?
-> to explore social interaction at a cohort-level
by i) identifying how the pedagogical approaches favoured by each subject resulted in the emergency of social interactions;
by ii) examining variations and the temporality of social interactions across school subject;
by iii) identifying homophilic social interactions based on students’ gender (across subjects) and level of attainment (in Maths and Reading).
RQ2 : To what extent is it possible to characterise the social interactions of individual students based on the digital traces of their spatial behaviours?
-> exploring social interactions at an individual-level
by i) clustering students based on how long they interacted with peers over time,
by ii) examining changes in the composition of strong and weak ties across different clusters; and
by iii) investigating potential cases of students becoming socially isolated
3.4. modeling from positioning data to interactions and social ties
[step 0] Interpolation
-> linear interpolation을 이용해서 missing value를 찾아 채워주었음
[step 1] Interpersonal distances
-> Euclidean distances을 계산함
[step 2] Proximity threshold
-> Hall's seminal work에서 거리로 친밀감을 분류한 proximity 카테고리
type 0. intimate
type 1. personal
type 2. social
type 3. public
-> Sorokowska et al.에서 착안하여 proximity value는
personal (0.46~1.00m)과 social distances(1.00~2.10m)로 분류하였다.
[step 3] Identifying potential interaction
interaction이 이루어지고 있다고 판단한 두 가지 조건이 있었다. 조건 1. personal distance/one-meter proximity 안에 있을 때조건 2. 10초 이상 interaction이 지속되었을 때
3.5. cohort-level metrics - RQ1
SNA Social Network Analysis 이용함
node : student/teacher
edge : social interaction
weight : duration of social interaction
dyadic interaction
Traidic interaction
Group cohesion
homophily
3.6. individual-level metrics - RQ2
clustering student social interaction
ego network and changes in social ties
4. results
4.1. cohort-level insights - RQ1
4.2. individual-level insights - RQ2
5. Discussion
5.1. Discussion against research questions
5.2. limitations and future work
6. conclusion
physical learning spaces들이 복잡해졌다.
wearable tracking sensor를 이용해서 학생들의 physical positioning data를 추출하고
학생들의 social dynamics를 individual / cohort level에서 분석하였다.
이를 통해서 [1] 교수자의 pedagogical design을 도울 수 있고 [2] 사회적으로 고립된 학생을 빠르게 찾아낼 수 있다. [3] 연구자들은 교실에서의 사회적 역동을 깊이 있게 이해하고 교수법의 효과성을 파악할 수 있다.
'Educational Technology > Learning Analytics' 카테고리의 다른 글
AIED | AI기반교육 AIED과 학습분석학, AI리터러시, AI기반교육 사례 (0) | 2022.11.04 |
---|---|
학습분석학의 이해 | 2. 교육적 데이터 마이닝 EDM (0) | 2021.11.06 |
학습분석학의 이해 | 1. 빅데이터 (0) | 2021.11.06 |