LAK 결산2 (3/6~3/7)

 

본 학회의 두 번째 날인 목요일은 Vanderbilt 대학교의 Gautam Biswas 교수님께서 'Harnessing Multimodal Analytics in the Classroom to Understand Students’ Collaborative Learning Behaviors'에 대해 기조 강연을 맡아주셨습니다. 교육 활동은 다차원적이고 멀티모달적인데 연구는 그렇지 못한 것에 문제를 제기하였고 Mixed reality 환경에서 비디오, 오디오, 로그데이터 등 멀티모달 데이터를 컴퓨터 비전과 LLM 등을 이용하여 자동으로 분석하는 시스템을 개발한 것을 공유해주셨습니다. 

첫 번째 날과 마찬가지로 Human-AI Collaboration, Understanding Learning Behavior, Dashboards, AI-supported learning, LA Implementations, Feedback 등 다양한 주제로 발표들이 진행되었습니다. 저희 연구실에서 하는 연구 주제들과 밀접하게 관련되어 있어서 더욱 집중해서 듣게 되었는데요. 

들었던 발표 중에 획일적인 학생들을 고려하는 것이 아니라 자폐, ADHD, 난독증, 범불안장애 등 신경다양성 특성을 가진 학생들을 위한 연구에 대해서 듣게 되었습니다. 발표자는 신경다양성을 지닌 학생들의 다양한 사고방식을 고려한 적절한 지원이 필요하지만 이루어지고 있지 않음을 지적하였습니다. 특히 이러한 학생들의 학습을 분석하고 지원하기 위해서 저렴한 웹캠 기반 아이트래킹 기술을 사용한 점이 흥미로웠는데요. 고급장비에 비해 시각적 오차가 발생하여 정확도가 떨어지지만 여전히 TUT(Task-Unrelated Thoughts)를 탐지하고 이와 관련된 패턴을 포착할 수 있다고 하였습니다. 학습분석을 통해 교육의 평등을 이루어내려고 노력하는 연구자분들의 모습이 멋있어보였습니다. 

또한 AI 기반 가상 학생 에이전트와 상호작용하는 15명의 예비 교사들의 담화 행동을 분석하여 이를 전문적으로 훈련된 과학 교사들이 있는 실제 교실에서 발견된 패턴과 비교한 연구도 흥미로웠습니다. 연구 결과, 예비 교사들은 ambitious한 담화 전략을 사용하여 AI 기반 학생들과 학문적으로 생산적인 담화를 생성하였습니다. 또한 패턴 분석을 통해 예비 교사들이 비생산적인 담화 순환에 빠지는 코칭 가능한 순간들도 확인였는데요. 이 연구는 시뮬레이션 기반 교사 훈련에서 인간-AI 커뮤니케이션을 이해하기 위한 교실 담화 분석의 유용성을 강조한다는 점에서 교사 교육과 연구 방법론에 실질적인 도움을 제공하였습니다.

마지막 날에는 학회 진행자가 간단히 전반적인 학회 참여에 대한 소감을 묻고 학회 참여자들이 조별로 모여 미래의 학습분석 방향성에 대해 논하는 자리를 마련해주었습니다. 각자 학습분석이 무엇이라고 생각하는지, 더 나은 교육을 위해 어떤 역할을 할 수 있는지 자유롭게 나누며 세계의 연구자들과 네트워킹할 수 있는 소중한 자리였습니다. 

마지막 날에는 서울대학교에서 온 다른 연구팀의 AI를 이용한 형성평가와 관련된 발표도 있었습니다. 본 연구에서는 108명의 중등학교 학생들과 함께 AI 기반 형성적 동료평가를 실시하였으며, 이 과정에서 학생들은 동료 응답뿐만 아니라 AI 생성 응답을 평가하였습니다. Trace data와 dispositional data를 활용하여 AI 생성 피드백과 동료 생성 피드백 간의 선호도 차이를 분석한 결과, 학생 참여가 낮거나 동료 피드백의 질이 부족한 상황에서 학생들은 AI 생성 피드백에 대한 더 높은 선호도를 보였으나, 수학 자신감과 AI 관심도가 높은 학생들은 동료 생성 피드백을 선호한다는 흥미로운 결과를 보고했습니다. 인공지능(AI)은 채점 자동화와 적시적 피드백 제공 가능성으로 형성평가의 귀중한 도구로 연구되어 왔으나, 형성적 동료평가 맥락에서 AI의 효과적 활용에 관한 연구는 제한적이어서 관련 연구가 앞으로 더 활발해져야 한다는 점을 짚어주셨습니다. 

학회를 마치며 교수님 및 연구실 선생님들과 아일랜드 더블린에 있는 기네스 공장에 견학을 갔습니다. 세계적으로 인기가 있는 기네스 흑맥주가 어떻게 만들어지는지, 어떻게 하면 더 맛있게(?) 따를 수 있는지 체험해보고 시식까지 하는 완벽한 투어 코스였습니다ㅎㅎ 

투어 후에는 함께 저녁 식사를 하며 학회에 참여한 소감을 나누었습니다. 세계의 학자들과 교류하며 저희 연구실의 연구 방향성을 다시 한번 점검할 수 있었고, 다양한 연구자들의 시각을 접하며 새로운 아이디어를 얻는 소중한 시간이었습니다. 또한 이번 기회를 통해 연구의 지평을 넓히고, 협력할 수 있는 네트워크를 구축할 수 있었습니다. 텔드 화이팅 !!

즐거운 전공 개강모임 🌸

 봄바람이 살랑이는 3월, TELD 연구실과 iLED 연구실의 교수님들, 연구원분들이 한자리에 모였습니다! 이번 모임은 학기 초를 맞아, 서로의 안부를 나누고 앞으로의 연구 생활에 대한 기대감을 다지는 자리였는데요. 아늑한 시골집에서 맛있는 식사와 함께 즐거운 시간을 보냈답니다. 😊

식사 자리에서는 교수님들께서 대학원 생활을 어떻게 알차게 보낼 수 있을지, 각 연구실의 특색 있는 연구 방향과 목표에 대해 따뜻한 조언을 전해주셨습니다. 연구에 대한 열정과 연구실만의 색깔을 다시금 느낄 수 있는 시간이었어요.

이어 각 연구실의 석사, 박사 선생님들께서도 대표로 인사를 해 주셨습니다. 진심 어린 말씀 속에 담긴 긍정적인 에너지가 분위기를 더욱 유쾌하게 만들어 주었고, 웃음꽃이 끊이지 않았습니다. 🌼

식사를 마친 후에는 지근거리에 있는 아담한 맥주집으로 자리를 옮겨 2차를 이어갔습니다. 🍻 여기서는 전공 이야기부터 각자의 연구 고민, 앞으로의 계획까지 자유롭게 나누며 또 다른 의미 있는 시간을 가졌습니다.

새 학기를 이렇게 좋은 분들과 함께 시작할 수 있어 정말 행복한 하루였습니다! 앞으로의 연구 생활도 오늘처럼 유쾌하고 따뜻하게 이어지기를 기대해봅니다. ✨

2025년 교육공학전공 졸업식

지난 2월 26일, 서울대학교 학위수여식이 진행되었습니다 🥳

저희 TELD 연구실에서는 2년차 석사과정 선생님들(김혜준, 신부경, 최지원, 한예원, 김수연)께서 석사학위를 받으셨습니다. 이를 축하하기 위해 진행된 서울대학교 교육공학연구회 졸업행사 모습을 간단히 공유드립니다.

<TELD 단체 사진>

늘 최선을 다하는 모습이 인상깊었던 김혜준 선생님의 졸업을 축하드립니다! 지난 1년동안 GSI를 맡아 TELD 구성원들을 챙겨주심에 감사드립니다:)

2025 신입 선생님들께도 자랑스럽게 전달드린 멋진 TELD 굿즈는 최지원 선생님께서 만들어주셨답니다. 다재다능하신 최지원 선생님의 졸업을 축하드립니다!

저희 연구실의 지박령이신 신부경 선생님의 졸업 또한 진심으로 축하드립니다! 신부경 선생님께서는 올해 6월까지는 학습과학연구소에서 근무하시며 연구를 이어나가실 예정입니다. 조금만 더 잘 부탁드립니다🙇‍♀️

마지막으로 한예원 선생님의 졸업을 축하드립니다! 지난 2학기에는 늘 선생님을 학습과학연구소 실험실에서 찾을 수 있었던 것 같습니다. 졸업 연구 정말 고생 많으셨고 앞으로 하시는 일 모두 잘 되시길 바랍니다!

+) 아쉽게도 김수연 선생님께서는 개인 사정으로 인해 졸업 행사에 참여하지 못하셨습니다. TELD 연구실 모두의 축하드리는 마음을 전달드립니다!

2025 TELD 동계 스터디 종합✔️

2025 겨울방학 동안 TELD는 "🦾인공지능 기반 정서 조절😄"을 주제로 총 6회의 스터디 세션을 진행했습니다. 

2025년 1월 14일부터 2월 25일까지, 매주 화요일 오전 10시부터 12시까지 진행된 이번 스터디는 연구실 구성원들이 함께 모여 정서와 인공지능의 접점에 대해 깊이 있게 탐구하는 뜻깊은 시간이었습니다! 

이번 스터디의 목적은 세 가지로 요약됩니다.

첫째, 정서에 대한 심화된 이해를 도모하고,

둘째, 인공지능 기반 정서 조절이라는 새로운 연구 주제를 탐색하며,

셋째, 이 주제와 관련된 최근 연구 동향을 파악하는 데 있었습니다~ 

매주 각 세션은 관련 문헌과 사례를 중심으로 발표 및 토론 형식으로 구성되었는데

모든 선생님들께서 적극적으로 참여해주셔서 활발한 스터디 장이 되었던 것 같습니다:)

1. 오리엔테이션 / 목표 소개 & 정서에 대한 이해

추영선 선생님께서는 감정이 학습과 기억에 미치는 영향에 대해 리뷰한 연구를 소개하시며 인공지능 기반 정서조절 스터디의 첫 문을 열어주셨습니다. 감정은 학습과 기억에 필수적인 역할을 수행하며, 그에 따라 교육환경을 설계할 때 고려해야 하는 중요한 요소라고 합니다. 감정적 요소를 강조하는 학습 전략은 장기적인 지식 유지에 더욱 효과적이고, 감정 상태를 모니터링하여 그에 따른 교육적 자극을 선택하면 학습 성과를 향상할 수 있다고 하니 TELD 연구에서도 정서에 대해 더욱 깊이 탐구해볼 필요가 있을 것 같습니다 🤓📚

Tyng, C. M., Amin, H. U., Saad, M. N., & Malik, A. S. (2017). The influences of emotion on learning and memory. Frontiers in psychology, 8, 235933.

다음으로 김혜은 선생님께서는 얼굴 표정과 신체 움직임 데이터를 활용하여 학교 컴퓨터실 환경에서 학습자의 정서 상태를 자동으로 감지하는 시스템을 개발한 Shen과 동료들(2009)의 연구를 공유해주셨습니다! 학생들이 게임을 하는 동안 웹캠으로 얼굴을 녹화하고 BROMP 관찰 프로토콜을 활용하여 정서 상태를 기록한 뒤 이러한 데이터를 FACET 소프트웨어 및 머신러닝 알고리즘을 활용하여 분석한 연구였는데요, 결과적으로는 지루함, 혼란, 기쁨, 집중, 좌절감 및 과제 이탈 행동 등이 측정되었습니다. 예를 들어 신체 움직임의 증가, 턱 올림, 화면에서 멀어짐, 좌우 시선 이동은 지루함이라는 정서로 해석됨을 확인할 수 있었습니다.

김혜은 선생님께서는 연구에 드러난 실험 세팅과 데이터 분석 방법에 대해 비판적인 시각에서 논의를 이어나가 주셨습니다. 특히 실제 학습 상황에서는 복잡하고 미묘한 감정들이 혼재되어 있는데 분류의 정확도를 높이고자 학습자의 감정을 4가지로 제한한 점을 연구의 한계점으로 제시해 주셨습니다. 이에 스터디에서는 본 연구의 설계와 처치를 보완하기 위한 방법에 대해 논의해볼 수 있었는데요, 연구를 단순히 읽는 것을 넘어서 개선할 점을 찾아본 유익한 시간이었습니다 🤔💭!

Shen, L., Wang, M., & Shen, R. (2009). Affective e-learning: Using “emotional” data to improve learning in pervasive learning environment. Journal of Educational Technology & Society, 12(2), 176-189.

2. 멀티모달 데이터로 정서를 측정하는 방법(영상)

2주차에는 정서를 측정하기 위한 멀티모달 데이터 분석에 관한 스터디가 본격적으로 진행되었습니다. 저희가 집중한 첫번째 데이터는 영상 데이터였습니다! 🎥 추영선 선생님께서는 학습 상황에서 수집된 비디오에서 학생들의 감정을 시각적으로 요약하고 분석하는 시스템을 개발한 Zeng과 동료들(2020)의 연구를 공유해주셨습니다. 연구에서는 얼굴 크기와 가림 현상 등 감정 분석에 영향을 미치는 요소를 탐색하고 얼굴 및 감정 인식 알고리즘을 활용하여 전체 감정과 동적이 변화를 보여주는 섹션, 개인의 감정 상태를 보여주는 섹션, 세부 분석 내용을 제시하는 섹션으로 이루어진 시각화 시스템이 설계되었습니다.

이후 스터디 토론 시간에는 학습과학과 교육공학적 관점에서 교실 내 비디오 기반 감정 인식 도구에 대한 가상의 요구조사를 진행해보았는데요, 영상 데이터에서 감정과 관련해 어떤 유형의 데이터를 얻을 수 있는지, 그리고 그것이 교육적으로 유용할지를 고민하며 감정 측정을 위한 멀티모달 데이터 활용에 대한 생각을 확장해볼 수 있었습니다! 📖

Zeng, H., Shu, X., Wang, Y., Wang, Y., Zhang, L., Pong, T. C., & Qu, H. (2020). Emotion cues: Emotion-oriented visual summarization of classroom videos. IEEE transactions on visualization and computer graphics, 27(7), 3168-3181.

김혜은 선생님께서는 이전 연구와 비슷하게 실제 교실 환경(noisy classroom)에서 비디오를 통해 학습자의 감정 상태를 자동으로 감지하는 방법을 탐색한 Bosch와 동료들(2016)의 연구를 공유해주셨습니다. BROMP 활용 감정 코딩, FACET 얼굴 표정 추출, Bayes Net 등 머신러닝 알고리즘을 활용한 연구 결과, 모든 감정 상태에 대해 우연 수준 이상의 감지 정확도를 보이며 실제 교육 현장에서 학습자의 감정을 자동으로 분석하는 것이 실현 가능한 과제임을 입증하였습니다. 🎥📊

이처럼 멀티모달 데이터를 활용하여 감정을 분류하거나 예측하는 연구가 활발히 이루어지고 있는데요, 스터디 토론에서는 이와 같은 시도가 교육적으로 유의미한지에 대한 논의가 진행되었습니다. 특히 교육공학적 관점에서 학습 정서를 탐지한 이후 어떤 처치가 이루어져야 할지에 대해 고민해볼 수 있는 뜻깊은 시간이었던 것 같습니다:) 😃📝

Bosch, N., D'mello, S. K., Ocumpaugh, J., Baker, R. S., & Shute, V. (2016). Using video to automatically detect learner affect in computer-enabled classrooms. ACM Transactions on Interactive Intelligent Systems, 6(2), 1-26.

3. 멀티모달 데이터로 정서를 측정하는 방법(뇌파)

3주차에는 멀티모달 데이터 중 뇌파에 집중하여 정서를 측정하는 방법에 대한 스터디 세션이 진행되었습니다!

먼저 TELD의 뇌파 관련 연구를 담당하고 계시는 브레인 🧠⚡신부경 선생님께서는 학습자의 뇌파를 분석하여 감정 상태를 예측하는 다중 에이전트 시스템(NORA)를 개발한 Heraz와 Frasson의 연구를 공유해주셨습니다. IBK, 다중 회귀 분석, 머신러닝 알고리즘 등 다양한 분석 방법을 활용하여 Pleasure, Arousal, Dominance라는 3가지 감정 차원에서 학습 중 발생하는 감정과 뇌파의 관계를 탐색하고 뇌파를 통해 학습자의 감정 상태를 예측하고자 한 흥미로운 연구였습니다! 이러한 뇌파 기반 감정 분석은 감정 표현이 제한된 학습자에게 효과적일 수 있으며 AI 기술과 통합되어 더욱 개인화된 교육 전략을 수립하는 데 활용될 수 있다고 합니다.

Heraz, A., & Frasson, C. (2011). Towards a Brain‐Sensitive Intelligent Tutoring System: Detecting Emotions from Brainwaves. Advances in Artificial Intelligence, 2011(1), 384169.

다음으로 손연오 선생님께서는 가상 학부모 상담 시뮬레이션 경험 중 학습자의 인지와 정서 경험을 표정 분석과 뇌전도로 분석한 연구를 공유해 주셨습니다. 학부모 상담 시뮬레이션 시나리오에 따라 학습자가 경험하는 인지 부하를 표정 데이터(눈 깜빡임 횟수)을 활용하여 분석하고, EEG를 활용하여 수집된 뇌파 데이터를 통해 정서를 측정하는 연구였습니다.

또한 교육학에서 뇌파 연구가 가져야 할 차별점에 대해 논의해보았는데요, 선생님들의 다양한 의견을 들어볼 수 있는 뜻깊은 스터디 시간이 된 것 같습니다!

김국현, 양은별, 류지헌, & 임태형. (2023). 가상 시뮬레이션 학습자의 인지부하와 정서를 분석하기 위한 표정 분석 및 뇌전도의 활용. 교육방법연구, 35(2), 197-222.

4. 멀티모달 데이터로 정서를 측정하는 방법(침과 생리데이터) 

정서 측정 방법과 관련된 마지막 세션인 네 번째 세션에서는 웨어러블 디바이스와 생체신호(예: 침, 심박, 피부전도 등)를 활용한 멀티모달 데이터 기반 정서 측정 방법에 대한 문헌을 중심으로 다루었습니다! 자가보고(self-report) 방식의 한계를 넘는 객관적 정서 측정의 가능성과 과제를 조망해보는 유익한 시간이었습니다:)

먼저 은선민 선생님께서 Ba & Hu (2023)의 체계적 문헌고찰 논문을 통해 지난 15년간 발표된 웨어러블 기기 기반 정서 측정 연구📚들을 정리해 주셨습니다.

피부전도도(EDA), 심박수(HR), 뇌파(EEG) 등의 생리 신호를 중심으로, 몰입(engagement), 불안(anxiety), 긍정 감정 등 교육적 정서를 측정한 사례들을 분석하고 있습니다. 특히 기계학습 기반 감정 분류 모델(SVM, Random Forest 등)의 활용과 윤리적 고려사항(개인정보 보호, 알고리즘 편향성 등)에 대한 논의는 AI 기술의 교육적 활용에 있어 정서 데이터의 민감성을 다시 한번 상기시켰습니다! Empatica, NeuroSky 등 실제 사용된 기기들과 측정 감정의 신호 조합도 구체적으로 확인할 수 있어, 웨어러블 기반 정서 측정 연구의 최신 동향을 실감할 수 있는 발표였습니다😄

Ba, S., & Hu, X. (2023). Measuring emotions in education using wearable devices: A systematic review. Computers & Education, 200, 104797.

다음으로는 제가 발제를 했었는데요. Špiljak et al. (2022)의 리뷰 논문을 중심으로, 타액을 활용한 스트레스 바이오마커 측정 방법💧에 대해 소개했습니다.

저희 연구실의 '멀티모달 데이터를 활용한 학습과 발달 연구'에서도 타액을 활용해서 스트레스를 측정하는 실험을 진행했었는데요! 이렇게 비침습적이며 실용적인 측정 수단으로 주목받고 있으며, 특히 학업 스트레스 상황에서의 학생 면역 반응 변화를 설명하는 다양한 연구 결과를 통해 학습자 웰빙과 정서 모니터링의 필요성을 잘 보여주었습니다. 또한 스트레스 반응이 면역, 염증, 호르몬 시스템과 어떻게 연결되는지를 이해하기 위해 생리학적 매커니즘도 배울 수 있었는데요, 타액의 경우 고강도 운동이나 음식 섭취로 인해 오염되거나 왜곡될 수 있기 때문에 정서 데이터를 다룰 때 신체적 맥락을 함께 고려해야 한다는 점을 알 수 있었습니다!

(스트레스가 발생하는 생리학적 매커니즘을 설명하기 위해 생명과학 책을 폈는데요..오랜만에 고등학생이 된 느낌이었답니다;;)

Špiljak, B., Vilibić, M., Glavina, A., Crnković, M., Šešerko, A., & Lugović-Mihić, L. (2022). A review of psychological stress among students and its assessment using salivary biomarkers. Behavioral sciences, 12(10), 400.

5. AI로 정서를 지원하는 방법(챗봇) 

5주차 세션에서는 AI 챗봇을 활용하여 학습자의 정서를 지원하는 방법🌿을 중심으로 두 편의 논문을 살펴보았습니다!

먼저 김찬희 선생님께서는 Liu et al. (2022)의 RCT 기반 연구를 통해, 우울증을 겪는 대학생에게 AI 챗봇이 효과적인 자기 도움형(Self-help) 개입 도구가 될 수 있는지를 분석한 사례를 소개해주셨습니다. 해당 연구는 16주간의 장기 개입을 통해, 챗봇 사용군이 독서치료군보다 우울증(PHQ-9), 불안(GAD-7) 감소에서 유의미한 개선 효과를 보였다는 점에서 주목받는 연구입니다!

또한 사용자의 감정 기록 기능, 자유 대화 기능 등 CBT 기반의 챗봇 설계 요소들이 치료적 유대감(therapeutic alliance) 형성에 도움을 주었다는 결과도 인상 깊었습니다. 단, 지속 사용률은 두 집단 간 유의한 차이가 없었으며🙅‍♀️, 챗봇의 콘텐츠 제한과 기술적 한계는 향후 개선 과제로 남아 있었습니다!

발제 후에는 논의도 진행되었는데요!

챗봇이 인간과 유사한 방식으로 치료적 관계를 형성할 수 있는지, 그 한계는 무엇인지, 그리고 교육 현장에서 AI 챗봇을 어떤 맥락에서 활용할 수 있을지를 다각도로 고민해보았습니다~ 

특히 교사의 역할과 챗봇의 역할이 서로 어떻게 보완적으로 설계될 수 있을지에 대한 논의가 깊이 있게 이루어졌던 것 같습니다!

Liu, H., Peng, H., Song, X., Xu, C., & Zhang, M. (2022). Using AI chatbots to provide self-help depression interventions for university students: A randomized trial of effectiveness. Internet Interventions, 27, 100495.

다음으로는 강민주 선생님께서 Assayed et al. (2023) 논문을 바탕으로, 기계학습 기반 감정 인식 기능을 갖춘 AI 챗봇의 개발 사례를 소개해주셨습니다. 해당 연구에서는 학습자의 텍스트 데이터를 기반으로 감정을 자동으로 분류하고, 정서적 개입을 제공하는 챗봇 시스템을 설계하고 평가하였습니다. 이 챗봇은 단순히 사용자의 입력을 받아 응답하는 수준을 넘어, 자연어 처리(NLP)와 감정 인식 모델을 바탕으로 심리적 상태를 추정하고, 그에 맞는 공감적 피드백을 제공하는 점이 특징이었습니다.

그리고 마지막에는 민주쌤께서 보너스로 준비해주신✨ 직접 GPT 기반 챗봇을 제작해보는 실습 활동도 진행되었습니다☺️ 프롬프트 설계와 역할 구성, 대화 흐름 제어 등을 중심으로, 각자가 구상한 정서 지원 챗봇을 구현해보는 시간이었는데요! 챗봇이 정서적 상황에 어떻게 반응하고, 어떤 방식으로 사용자와 소통할 수 있을지를 직접 설계해보며, 이론적 논의를 실제 개발자, 학습자 경험 관점에서 구체화해볼 수 있는 흥미로운 경험이었습니다!!

Assayed, S., Shaalan, K., Al-Sayed, S., & Alkhatib, M. (2023). Psychological emotion recognition of students using machine learning based chatbot. International Journal of Artificial Intelligence and Applications (IJAIA), 14(2).

6. AI로 정서를 지원하는 방법(로봇) 

6주차 세션에서는 감정 인식 기술을 로봇과 결합하여 학습 장면에 적용한 두 편의 연구를 살펴보았습니다!

먼저 김혜은 선생님께서는 Ez-Zaouia et al. (2020)의 EMODASH 연구를 소개해 주셨습니다!

이 연구는 원격 화상 학습 환경에서 튜터가 학습자의 정서를 회고적으로 인식할 수 있도록 지원하는 대시보드 기반 감정 인식 시스템에 대한 실제 적용 사례입니다.

EMODASH는 얼굴 표정 인식 데이터를 기반으로 학습자의 정서를 시각화하여 제공함으로써, 튜터가 학습자의 감정 상태를 보다 잘 이해하고 형성적이며 정서적인 피드백을 증가시키도록 유도하는 대시보드인데요.

튜터들은 EMODASH 사용 후 피드백에서 정서적 언어 사용 빈도(10% → 19%)와 형성적 피드백 비율(38% → 44%)이 유의미하게 증가했다고 보고하였습니다! 이를 통해 이 연구의 대시보드는 단지 정서 데이터를 보여주는 것에서 그치지 않고, 튜터의 교수 성찰과 자기 인식을 자극하며, 교수-학습 과정에서 감정의 중요성을 재조명하였습니다!

Ez-Zaouia, M., Tabard, A., & Lavoué, E. (2020). EMODASH: A dashboard supporting retrospective awareness of emotions in online learning. International Journal of Human-Computer Studies, 139, 102411.

마지막으로 박지용 선생님께서는 Alonso-Martin et al. (2013)의 멀티모달 감정 인식 시스템을 탑재한 사회적 로봇 연구🤖를 소개해 주셨습니다.

해당 연구에서는 표정(시각 정보)과 목소리(청각 정보)를 기반으로 사용자의 감정을 인식하고, 이를 바탕으로 보다 자연스럽고 상황에 맞는 인간-로봇 상호작용(HRI)을 구현하는 시스템을 개발하였습니다!

(생각보다.. 로봇이 귀여웠습니다..ㅎㅎ)

시각/청각을 통합하여 정서를 분석한 결과, 하나를 사용할 때보다 종합 시스템의 감정 인식 정확도가 유의미하게 향상되었으며, 로봇이 단순한 응답을 넘어 사용자 감정에 반응하고 개입하는 적극적인 정서적 파트너로 작동할 수 있음을 보여주었습니다~

이날 세션에서는 정서 데이터를 기반으로 한 로봇 시스템이 학습자의 상태를 파악하고 상호작용할 수 있는 방향에 대해 활발한 토론이 이루어졌으며, 교실에서의 활용 가능성, 로봇의 역할, 그리고 로봇이 갖추어야 할 정서적 조건에 대한 논의도 함께 이어졌던 시간이었습니다~

Alonso-Martin, F., Malfaz, M., Sequeira, J., Gorostiza, J. F., & Salichs, M. A. (2013). A multimodal emotion detection system during human–robot interaction. Sensors, 13(11), 15549-15581.

이렇게 약 한달 반동안 TELD 동계 스터디가 진행되었는데요! 저희 TELD 선생님들 뿐만 아니라 신입생 선생님들, 교육공학, 학습과학, 학습분석에 관심 있는 분들과 즐겁게 논의할 수 있는 장이어서 더 뜻깊었던 시간이었습니다✨✨

- 마무으리 기념 찰칵📷✨ (햄볶한 텔드) -

이상 강민주, 김안나였습니다!

2025년 2월 12일 학습데이터 세미나(John Stamper 교수님)

 

  2025년 2월 12일에 학습데이터 관련 세미나가 진행되었습니다. 세미나 연사를 맡아주신 John Stamper 교수님은 컴퓨터 과학을 전공하셨지만 박사 과정을 거치며 교육 연구에 깊은 관심을 갖게 되셨다고 합니다. 특히 적응형 학습(adaptive learning)과 지능형 튜터링(intelligent tutoring)에 큰 흥미를 느끼셨다고 합니다. 교수님은 약 15년 전, 지능형 튜터링 시스템의 학습 성과가 뛰어남에도 불구하고 개발 과정의 어려움 등의 이유로 널리 사용되지 않는다는 점을 발견하셨습니다. 이러한 문제 인식에서 시작하여, 적응형 학습 시스템을 더 쉽게 개발할 수 있는 방법에 대해 고민하기 시작했고, 데이터를 활용하여 적응형 학습 효과를 생성하는 아이디어를 떠올리셨다고 합니다.

교수님은 교육에서 중요한 역할을 하는 지식 추적(knowledge tracing)에 대해 설명하면서, "학생이 어떤 문제의 정답을 맞추기도 하고 틀리기도 할 때, 그 학생이 실제로 해당 기술을 습득했는지를 어떻게 판단할 수 있을까? 이때 지식 추적이 중요한 역할을 한다."라고 말씀하셨습니다. 지식 추적은 학생이 무엇을 알고 있는지를 추적하는 기법으로, 학습 과정을 이해하는 데 필수적이라고 강조하셨습니다. 또한, 지식 추적은 시간을 거치면서 학생의 학습 과정을 추적할 수 있게 돕고, 이를 시각화하는 방법으로 학습 곡선을 언급하셨습니다. 학습 곡선은 학생이 연습을 거듭하면서 오류율이 점차 감소하는 모습을 보여주며, 학습 진행 상황을 평가하고 미래 성과를 예측하는 데 매우 유용한 도구임을 강조하셨습니다.

 지식 추적의 핵심 요소로 지식 요소(knowledge component, KC) 모델을 소개하며, 원래 "기술(skill)"이라고 부르려 했으나 교육 심리학자들의 반대로 "지식 요소"라는 용어가 사용되었다고 설명하셨습니다. 지식 요소 모델은 이러한 요소들을 개별 문제에 매핑하여 학생들이 어떻게 학습하는지를 가설적으로 설명하는 역할을 한다고 덧붙이셨습니다. 이를 통해 학생들이 습득해야 하는 개별 기술을 추적하고, 학습 과정에서 각 기술이 어떻게 적용되는지를 분석할 수 있게 됩니다. 이어서 "인간 탐색, 기계 검증(Hand-Search, Machine-Test)" 방법을 통해 학습 곡선에서 나타나는 이상 현상을 인간 분석가가 식별한 후, 모델 값을 활용하여 시스템을 개선하는 방식에 대해 설명하셨습니다. 이 방법은 시스템 개선을 위한 중요한 과정으로, 사람의 직관과 기계의 분석을 결합하여 더욱 정확한 학습 데이터를 도출해 낸다고 하셨습니다.

그뿐만 아니라, 크라우드소싱을 활용한 문제 품질 평가와 관련된 연구도 소개하셨습니다. 크라우드 워커를 활용하여 객관식 문제의 오류를 평가한 연구에서 높은 일치율을 보였지만, 확장성과 비용 효율성에는 한계가 있었다고 언급하셨습니다. 이를 해결하기 위해, 규칙 기반 방법과 대형 언어 모델을 결합하여 문제 품질을 자동으로 평가하는 Socket이라는 도구를 개발했다고 하셨습니다. 이 도구는 교육 자료의 품질을 향상시키는 데 중요한 역할을 할 수 있다고 합니다.

또한, 적응형 실험(Adaptive Experiments)을 통해 AI 알고리즘을 활용해 다양한 학습 조건 중 가장 효과적인 방법을 빠르게 찾아내고, 학생들에게 최적의 학습 경험을 제공하는 방식에 대해서도 설명하셨습니다. 이는 기존의 무작위 대조 실험보다 훨씬 효율적이고, 교육의 질을 향상시킬 수 있는 중요한 방법으로 주목받고 있습니다.

교수님은 마지막으로 우간다에서 구형 문자 메시지 기반 휴대전화를 활용하여 STEM 교육을 제공한 사례를 소개하며, 인터넷이 부족한 환경에서도 교육의 접근성을 높이기 위한 노력에 대해 설명하셨습니다. 이를 통해 다양한 환경에서도 교육 기회를 제공할 수 있는 혁신적인 방법을 제시하셨습니다.

 교수님께서는 AI와 학습 과학 연구의 융합을 통해 교육의 미래를 더욱 효과적으로 개선할 수 있다는 가능성을 강조하며, "AI는 교육에서 엄청난 기회를 제공"하지만, "지난 25년간의 학습 과학 연구를 무시하고 LLM을 이용한 단발성 학습에만 의존해서는 안 된다"고 하셨습니다. 데이터는 여전히 강력한 도구이지만 사람들이 아직 그 잠재력을 충분히 활용하지 못하고 있다고 덧붙이셨습니다. 

 교수님의 강연을 통해, 데이터 기반 학습 과학 연구가 지능형 튜터링 시스템 개발을 용이하게 하고, 학생들의 학습 과정을 더 깊이 이해하며, 궁극적으로 교육의 질을 향상시키는 데 얼마나 중요한 역할을 하는지 알 수 있었습니다. AI 기술과 학습 과학 연구의 융합을 통해 더욱 효과적인 교육 시스템이 구축될 것이라는 기대가 커졌습니다.

두뇌 기반 학습 연구의 기초: EEG와 ERP 연구 방법

안녕하세요! 선생님들☺️

오늘은 작년 fNIRS 및 EEG 기기가 연구소와 사범대에 도입되고 저희 TELD에서도 실제 멀티모달 데이터로서 뇌파데이터를 수집하며, 점점 관심이 높아지고 있는 🧠두뇌 기반 학습 연구 방법 세미나〽️ 내용을 공유하고자 합니다~

학습과학연구소에서 지난 2월 5일 '2025년 제 1회 학습과학연구소 세미나'를 개최했습니다. 이번 세미나는 홍콩대학교의 이현경 박사님을 모시고 '두뇌 기반 학습 연구의 기초: EEG와 ERP 연구방법'이라는 주제로 진행되었는데요! 

이번 강연에서는 EEG(electroencephalogram, 뇌파)와 ERP(event-related potential, 사건 관련 전위) 연구 방법을 중심으로,
1. 뇌과학 연구의 핵심 개념
2. 뇌 데이터의 수집 및 분석 과정
3. 실제 연구에서 EEG/ERP를 활용하는 방법
을 배울 수 있었습니다.

오늘 블로그에서는 세미나에서 배운 내용을 간략하게 정리하고자 합니다~

🔴먼저 EEG란 무엇일까요?

EEG(Electroencephalography, 뇌파)는 비침습적인 방법으로 뇌의 전기적 활동을 실시간으로 측정하는 기술입니다.

• 신경세포의 자발적인 전기적 신호(스파이크)를 포착
• 높은 시간 해상도(ms 단위 분석 가능)
• 신경과학, 심리학, 교육학 연구에 널리 활용

🔵그렇다면 ERP(Event-Related Potential)란?

ERP는 특정 사건(자극, 인지 과정 등)에 따라 변화하는 EEG 신호의 패턴을 분석하는 기법입니다.

• 인지 과정과 신경 반응을 정량적으로 측정 가능
• 언어 처리, 얼굴 인식, 주의력 연구 등에서 중요한 도구로 활용

✅EEG/ERP 연구의 장점과 한계는 어떤 것이 있을까요?

(+) 장점

• 높은 시간 해상도 → 빠른 신경 반응 측정 가능
• 비침습적 & 안전 → 어린이 및 임상 연구 활용 가능
• 다양한 연구 적용 → 인지과학, 신경언어학, 교육 연구 등

(-) 한계

• 낮은 공간 해상도 → 신경 신호의 정확한 위치 분석 어려움
• 아티팩트(잡음) 민감 → 근육 움직임, 눈 깜빡임 등의 영향을 받음
• ✖데이터 전처리 과정 복잡 → 정교한 신호 처리 기술 필요

💧EEG & ERP 연구의 실제 적용 사례

이현경 박사님께서는 EEG 및 ERP가 실제 연구에서 어떻게 활용되는지 다양한 사례를 통해 설명해 주셨습니다:) 
특히, 인지 억제, 얼굴 인식, 신경학적 차이를 분석하는 연구에서 EEG/ERP가 어떻게 적용되는지 구체적인 실험 디자인과 결과를 살펴볼 수 있었습니다!

📌 예를 들면, 자폐 스펙트럼 장애(ASD) 아동과 일반 아동의 얼굴 인식 차이 연구에서,

• ASD 아동은 실제 얼굴 자극을 처리할 때 N170 신호의 진폭이 낮음
• 하지만 만화 캐릭터 얼굴에서는 차이가 없음
• 이를 통해 ASD 아동이 실제 얼굴 인식에서 어려움을 겪을 가능성이 시사됨

==> 이처럼 EEG/ERP 연구는 학습과학, 신경심리학, 교육심리학 등 다양한 분야에서 중요한 역할을 할 수 있습니다!

EEG 연구의 미래와 학습과학 연구의 발전 방향은 어떻게 될까요⁉️

현재 EEG와 함께 fNIRS(기능적 근적외선 분광법) 등 다양한 신경 영상 기법이 도입되면서,

멀티모달 데이터 분석을 통한 보다 정교한 연구가 가능해지고 있습니다.

또한, 머신러닝 및 고급 신호 분석 기법을 활용하여 기존 EEG 연구의 한계를 극복하려는 시도도 활발하게 이루어지고 있습니다~ 

앞으로 EEG 기반 학습 연구가 활발해진다면, 개별 학습자의 인지 상태를 실시간으로 측정하고 맞춤형 교육 및 피드백 제공에 활용될 수 있을 것으로 기대되네요! ✨✨

이번 세미나 강연 영상은 학습과학연구소 유튜브에 업로드 되어 있으니, 

더 자세한 내용을 알고 싶으신 분들께서는 아래 링크로 접속하여 시청하시길 바랍니다~😉

(세미나 촬영 및 편집해주신 지용쌤께 감사인사를...👍)

2025년 2월 졸업을 앞두고

 안녕하세요

2025년 2월 곧 졸업을 앞둔 석사 김수연입니다.

지난 2년 동안 석사 교육공학과에서 보낸 시간들은 제 인생에 큰 전환점이 된 소중한 시간이었습니다. 처음 입학했을 때는 새로운 환경에 대한 기대와 함께 약간의 불안감도 있었지만, 시간이 지나면서 그 불안감은 도전과 성장을 향한 열정으로 바뀌었습니다.

수업 시간마다 다양한 이론과 실제 사례들을 배우며 교육에 대한 저의 시각이 점차 넓어졌고, 여러 프로젝트와 실습을 통해 배운 내용을 직접 적용해보는 경험은 무척 값졌습니다. 특히, 팀 프로젝트를 진행하면서 동료들과 함께 고민하고 협력하는 과정은 제게 큰 힘이 되었고, 서로에게 긍정적인 영향을 주며 함께 성장할 수 있다는 것을 깨닫게 해주었습니다.

연구실에서의 시간도 잊을 수 없습니다. 논문 작성과 연구 활동을 하면서 때로는 혼자서 고민하고 어려움을 겪기도 했지만, 지도 교수님과 선배님들의 따뜻한 조언 덕분에 많은 문제들을 해결할 수 있었습니다. 또한, 동기들과의 끈끈한 유대감 덕분에 힘든 순간마다 서로를 격려하며 이겨낼 수 있었던 것 같습니다.

이제 졸업을 앞두고 지난 2년을 돌아보면, 학문적인 성취뿐만 아니라 저 자신을 더욱 깊이 이해하고 성숙해질 수 있었던 소중한 시간이었음을 실감하게 됩니다. 앞으로 어떤 길을 걷게 되더라도 이 경험들이 큰 밑거름이 되어 줄 것이라 믿으며, 계속해서 배우고 도전하는 자세를 잃지 않고 나아가고자 합니다. 끊임없이 성장하며 교육 현장에서 긍정적인 변화를 만들어 나갈 수 있도록 노력하겠습니다.